Ghyslain Gagnon

B.Ing., M.Ing. (ÉTS), Ph.D. (Carleton)


Département de génie électrique
Bureau : A-2649
Téléphone :514 396-8439


ghyslain.gagnon@etsmtl.ca



Accueil

Le professeur Ghyslain Gagnon a obtenu un baccalauréat (B. Ing.) en génie électrique (2002) et une maîtrise (M. Ing.) en génie électrique (2003) de l'ÉTS, et un doctorat en génie électrique (Ph.D). de l'Université Carleton (2009). Il est professeur au département de génie électrique de l'ÉTS depuis 2008 et actuellement directeur du laboratoire de communication et d'intégration de la microélectronique (LACIME).

Mes intérêts en recherche incluent la microélectronique, les communications sans-fil et le traitement de signal. Auteur d'une trentaine d'articles scientifiques et brevets, je favorise les recherches en collaboration avec l'industrie.

J'ai participé à de nombreux projets de recherche en partenariat industriel dans le domaine de l'analyse du mouvement, du positionnement par ondes radios et en systèmes de mesure de la consommation d'énergie électrique.

J'ai aussi un penchant pour l'art techno, d'où mon implication dans des projets comme le Circuit de Bachelard et Brainstorm, en collaboration avec Jean Dubois de la faculté des arts de l'UQAM.




Enseignement

ELE140 – Conception des systèmes numériques (site sur moodle)

ELE680 – Conception et réalisation de systèmes numériques (site sur moodle)

ELE735 – Analyse numérique

ELE792 – Projet de fin d'études




Domaines d'expertise

  • Signal Processing

  • Machine Learning

  • Pattern Recognition

  • Microelectronics

  • Energy measurement

 




Projets de recherche

Artificial Intelligence in Sports

Automated Video Analysis of Sport Videos

This project aims to develop automated tools based on machine learning to identify events and extract contextual information from video footage of sport events.

Students

Marc-André Carbonneau, Ph.D. candidate.
Action Recognition using Bag-of-Words Event Detectors and a Context Descriptor.

Publications

M.-A. Carbonneau, A. J. Raymond, E. Granger and G. Gagnon, “Real-Time Visual Play-Break Detection in Sport Events using a Context Descriptor”, to be published in IEEE International Symposium on Circuits and Systems (ISCAS 2015).
 
Dataset
Description

Since no publicly available datasets existed for the analysis of hockey game footage, we decided to build our own. We filmed several university-level hockey matches using two or more fixed cameras. We installed a camera on each end of the spectators' side of the rink.




Data Format

The annotated video data used in the following projects is available for download.

It is composed of two types of files:
  • Video files, encoded using the M-JPG format in 480x270 resolution at 30 frames per second.
  • Annotations, available in textual format.

Video Acquisition Setup

The following equipment was used to film the games:
 
Cameras were installed approximately 10 to 12 meters from the rink.

Using this Dataset

This dataset may not be redistributed and is intedended for academic use only. If you wish to use this dataset, please cite the following paper:


M.-A. Carbonneau, A. J. Raymond, E. Granger and G. Gagnon, “Real-Time Visual Play-Break Detection in Sport Events using a Context Descriptor”, Proceedings of IEEE International Symposium on Circuits and Systems (ISCAS), May 24-27, Lisbon, Portugal, to appear.
 
Dataset Annotated Videos
Concordia 1 Download

The datasets are compressed using the Xz file format. They can be uncompressed using the free 7-Zip tool.

Contacting the Authors

The authors of this dataset can be contacted at:
  • Marc-André Carbonneau: marcandre DOT carbonneau AT gmail DOT com
  • Alexandre Raymond: alexandre DOT raymond AT lacime DOT etsmtl DOT ca

Acknowledgements

We wish to thank the Concordia University Stingers men's hockey team for their participation in this project. We also acknowledge support from the Natural Sciences and Engineering Research Council of Canada.





Multiple Instance Learning

Synthetic Data Sets for MIL
These data sets are used to assess the performance of MIL algorithms at different witness rates, levels of positive class complexity and number of noisy features. The data set was introduced in:
 
M.-A. Carbonneau, E. Granger, A. J. Raymond, and G. Gagnon, “Robust Multiple-Instance Learning Ensembles Using Random Subspace Instance Selection,” Pattern Recognition, 2016.

Please cite this paper whenever the data set is used.
 
Here's the link to get the data:
[get the data set]

or, alternatively:
https://sites.google.com/site/marcandrecarbonneau/data-sets




Publications




Circuit de Bachelard




Formation universitaire

Baccalauréat en génie électrique (École de technologie supérieure, 2002)

Maitrise en génie électrique (École de technologie supérieure, 2003)

Doctorat en génie électrique (Carleton University, 2008)