William Mocaër
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Previous Organizations / Institutes
The organizations / institutes from the scholar's other articles in the past ten years
William Mocaër has a total of 7 co-authors. Here are the top co-authors by number of shared publications:
- Clément Chatelain
INSA of Rouen Normandy
2 shared publications - Eric Anquetil
Univ Rennes, INSA Rennes, CNRS, IRISA - UMR 6074
2 shared publications - Pierrick Tranouez
LITIS EA4108, University of Rouen Normandy
2 shared publications - Thierry Paquet
LITIS EA4108, University of Rouen Normandy
2 shared publications - Tom Simon
LITIS EA4108, University of Rouen Normandy
2 shared publications Richard Kulpa
1 shared publication
Latest Publications
- 8 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Réseaux de Neurones à Convolution Spatio-Temporelle pour l'analyse et la reconnaissance précoce d'actions et de gestes
Ce travail de recherche se concentre sur la reconnaissance précoce de gestes dans le domaine de l’interaction homme-machine. Il s’inscrit dans le cadre d’une collaboration entre deux équipes de recherche : ShaDoc, spécialiste de la reconnaissance de document et du geste 2D et MimeTic, experte en analyse du mouvement humain. Il aborde un défi complexe consistant à développer une approche polyvalente pour la reconnaissance à la fois de gestes 2D effectués sur tablette et gestes 3D effectués par le corps humain. Pour des besoins de fluidité d’interaction et de réactivité dans les deux domaines, le défi principal est de parvenir à reconnaître ces gestes au plus tôt, si possible avant qu’ils ne soient terminés. Les contributions s’inscrivent sur trois piliers : la représentation du geste, la réalisation d’un système de reconnaissance à base de réseaux profonds, et la conception d’un mécanisme de décision. Ces trois éléments sont coordonnés au sein d’un système capable de reconnaître un geste en cours de manière précoce, mais aussi de ne pas prendre de décision tant qu’un geste n’est pas reconnaissable du fait d’une ambiguïté entre plusieurs gestes. Ces approches se sont avérées performantes lors des évaluations, à la fois dans le contexte segmenté sur le geste 2D, et dans le contexte nonsegmenté sur le geste 2D et 3D. Les résultats et expérimentations de cette recherche démontrent la pertinence de ces approches pour les systèmes interactifs en temps réel.
- 8 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Réseaux de Neurones à Convolution Spatio-Temporelle pour l'analyse et la reconnaissance précoce d'actions et de gestes
Ce travail de recherche se concentre sur la reconnaissance précoce de gestes dans le domaine de l’interaction homme-machine. Il s’inscrit dans le cadre d’une collaboration entre deux équipes de recherche : ShaDoc, spécialiste de la reconnaissance de document et du geste 2D et MimeTic, experte en analyse du mouvement humain. Il aborde un défi complexe consistant à développer une approche polyvalente pour la reconnaissance à la fois de gestes 2D effectués sur tablette et gestes 3D effectués par le corps humain. Pour des besoins de fluidité d’interaction et de réactivité dans les deux domaines, le défi principal est de parvenir à reconnaître ces gestes au plus tôt, si possible avant qu’ils ne soient terminés. Les contributions s’inscrivent sur trois piliers : la représentation du geste, la réalisation d’un système de reconnaissance à base de réseaux profonds, et la conception d’un mécanisme de décision. Ces trois éléments sont coordonnés au sein d’un système capable de reconnaître un geste en cours de manière précoce, mais aussi de ne pas prendre de décision tant qu’un geste n’est pas reconnaissable du fait d’une ambiguïté entre plusieurs gestes. Ces approches se sont avérées performantes lors des évaluations, à la fois dans le contexte segmenté sur le geste 2D, et dans le contexte nonsegmenté sur le geste 2D et 3D. Les résultats et expérimentations de cette recherche démontrent la pertinence de ces approches pour les systèmes interactifs en temps réel.
- 16 September 2025
- Published by Springer Nature
- p. 224-243
Classifying the Unknown: In-Context Learning for Open-Vocabulary Text and Symbol Recognition
- 16 September 2025
- Published by Springer Nature
- p. 224-243
Classifying the Unknown: In-Context Learning for Open-Vocabulary Text and Symbol Recognition
- Open Access
Classifying the Unknown: In-Context Learning for Open-Vocabulary Text and Symbol Recognition
We introduce Rosetta, a multimodal model that leverages Multimodal In-Context Learning (MICL) to classify sequences of novel script patterns in documents by leveraging minimal examples, thus eliminating the need for explicit retraining. To enhance contextual learning, we designed a dataset generation process that ensures varying degrees of contextual informativeness, improving the model's adaptability in leveraging context across different scenarios. A key strength of our method is the use of a Context-Aware Tokenizer (CAT), which enables open-vocabulary classification. This allows the model to classify text and symbol patterns across an unlimited range of classes, extending its classification capabilities beyond the scope of its training alphabet of patterns. As a result, it unlocks applications such as the recognition of new alphabets and languages. Experiments on synthetic datasets demonstrate the potential of Rosetta to successfully classify Out-Of-Distribution visual patterns and diverse sets of alphabets and scripts, including but not limited to Chinese, Greek, Russian, French, Spanish, and Japanese.
Open AccessClassifying the Unknown: In-Context Learning for Open-Vocabulary Text and Symbol Recognition
We introduce Rosetta, a multimodal model that leverages Multimodal In-Context Learning (MICL) to classify sequences of novel script patterns in documents by leveraging minimal examples, thus eliminating the need for explicit retraining. To enhance contextual learning, we designed a dataset generation process that ensures varying degrees of contextual informativeness, improving the model's adaptability in leveraging context across different scenarios. A key strength of our method is the use of a Context-Aware Tokenizer (CAT), which enables open-vocabulary classification. This allows the model to classify text and symbol patterns across an unlimited range of classes, extending its classification capabilities beyond the scope of its training alphabet of patterns. As a result, it unlocks applications such as the recognition of new alphabets and languages. Experiments on synthetic datasets demonstrate the potential of Rosetta to successfully classify Out-Of-Distribution visual patterns and diverse sets of alphabets and scripts, including but not limited to Chinese, Greek, Russian, French, Spanish, and Japanese.
- Open Access
- 29 June 2024
- Published by Elsevier in Pattern Recognition
- Vol. 156
Early gesture detection in untrimmed streams: A controlled CTC approach for reliable decision-making
- 29 June 2024
- Published by Elsevier in Pattern Recognition
- Vol. 156
Open AccessEarly gesture detection in untrimmed streams: A controlled CTC approach for reliable decision-making
- 2 September 2021
- Published by Springer Nature
- p. 221-236
Online Spatio-temporal 3D Convolutional Neural Network for Early Recognition of Handwritten Gestures
- 2 September 2021
- Published by Springer Nature
- p. 221-236
Online Spatio-temporal 3D Convolutional Neural Network for Early Recognition of Handwritten Gestures