Amine Mansouri
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Amine Mansouri has a total of 12 co-authors. Here are the top co-authors by number of shared publications:
- Toufik Bakir
ImViA Laboratory, University of Bourgogne Europe, Dijon, France
3 shared publications - Abdellah El Zaar
ImViA Laboratory, University of Bourgogne Europe, Dijon, France
1 shared publication - Abdellah Elzaar
Laboratory of R&D in Engineering Sciences FST Al‐Hoceima, Abdelmalek Essaadi University Tetouan Morocco
1 shared publication - Abderrahim El Allati
Abdelmalek Essaadi University
1 shared publication - Alain Lalande
Université Bourgogne Europe, CHU Dijon Bourgogne, Pôle Imagerie, CNRS, ICMUB UMR 6302
1 shared publication El-Hassane Aglzim
1 shared publication
Latest Publications
- Open Access
- 14 November 2026
- Published by Elsevier in Computer Networks
- Vol. 292
CAN-Mamba: Multi-scale bidirectional State Space Model for CAN bus intrusion detection
- 14 November 2026
- Published by Elsevier in Computer Networks
- Vol. 292
Open AccessCAN-Mamba: Multi-scale bidirectional State Space Model for CAN bus intrusion detection
- 8 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Supervision et analyse de mouvements par un réseau de capteurs intelligents, application à la réhabilitation fonctionnelle
La reconnaissance des actions humaines (HAR), en particulier la supervision et le traitement de l’information basée sur les données de squelettes, permet de collecter des informations précieuses sur la dynamique du corps humain. Plusieurs modèles ont été proposés dans l'état-de-l'art pour fournir une solution efficace pour la reconnaissance d’actions ou de postures. Ces modèles reposent sur diverses architectures telles que les réseaux neuronaux convolutifs 2D/3D (CNN) et les réseaux neuronaux récurrents (RNN), avec un accent particulier sur les Long Short-Term Memory (LSTM) et les Gated Recurrent Units (GRU). Ces modèles offrent de bonnes précisions. Cependant, il est possible de trouver des méthodes encore plus performantes, par exemple, en tirant parti des dérivés des réseaux neuronaux convolutifs de graphes (GCN). L’objectif de cette thèse est d’utiliser des techniques de traitement d’images basées sur l’apprentissage automatique, le but est de reconnaître les différentes postures/actions d’un individu afin de prédire sa chute ou son malaise. Dans un premier temps, nous avons proposé un modèle (SIRFusion) de supervision et de traitement de données à partir d’une combinaison de capteurs de natures hétérogène. Nous avons obtenu de très bons résultats avec ce modèle. Cependant, le nombre de paramètre du modèle proposé est très conséquent. C’est pourquoi, nous avons proposé un modelé alternatif (ImpSGN) avec moins de paramètres en vue de l’implémenter sur une carte FPGA (matériel avec ressources limitées). Avec un nombre de paramètres nettement moins important, le modèle ImpSGN est comparable en termes de performances au modèle SIRFusion. L’implémentation étant réalisée avec l’outil Vitis-AI, il n’était pas possible de réaliser certaines opérations matricielles. Nous avons alors proposé un autre modèle (ResGCN-T) aussi léger que ImpSGN avec des performances comparables, mais qui intègre des calculs réalisables par l’outil Vitis-AI. Cette implémentation, qui a été réalisée et testée sur carte FPGA, représente la dernière étape de notre travail.
- 8 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Supervision et analyse de mouvements par un réseau de capteurs intelligents, application à la réhabilitation fonctionnelle
La reconnaissance des actions humaines (HAR), en particulier la supervision et le traitement de l’information basée sur les données de squelettes, permet de collecter des informations précieuses sur la dynamique du corps humain. Plusieurs modèles ont été proposés dans l'état-de-l'art pour fournir une solution efficace pour la reconnaissance d’actions ou de postures. Ces modèles reposent sur diverses architectures telles que les réseaux neuronaux convolutifs 2D/3D (CNN) et les réseaux neuronaux récurrents (RNN), avec un accent particulier sur les Long Short-Term Memory (LSTM) et les Gated Recurrent Units (GRU). Ces modèles offrent de bonnes précisions. Cependant, il est possible de trouver des méthodes encore plus performantes, par exemple, en tirant parti des dérivés des réseaux neuronaux convolutifs de graphes (GCN). L’objectif de cette thèse est d’utiliser des techniques de traitement d’images basées sur l’apprentissage automatique, le but est de reconnaître les différentes postures/actions d’un individu afin de prédire sa chute ou son malaise. Dans un premier temps, nous avons proposé un modèle (SIRFusion) de supervision et de traitement de données à partir d’une combinaison de capteurs de natures hétérogène. Nous avons obtenu de très bons résultats avec ce modèle. Cependant, le nombre de paramètre du modèle proposé est très conséquent. C’est pourquoi, nous avons proposé un modelé alternatif (ImpSGN) avec moins de paramètres en vue de l’implémenter sur une carte FPGA (matériel avec ressources limitées). Avec un nombre de paramètres nettement moins important, le modèle ImpSGN est comparable en termes de performances au modèle SIRFusion. L’implémentation étant réalisée avec l’outil Vitis-AI, il n’était pas possible de réaliser certaines opérations matricielles. Nous avons alors proposé un autre modèle (ResGCN-T) aussi léger que ImpSGN avec des performances comparables, mais qui intègre des calculs réalisables par l’outil Vitis-AI. Cette implémentation, qui a été réalisée et testée sur carte FPGA, représente la dernière étape de notre travail.
- Open Access
- 14 January 2026
- Published by Elsevier in Biomedical Signal Processing and Control
- Vol. 117
HV-OCTAMamba: A high-order vision Mamba network for robust retinal vasculature segmentation in OCTA images
- 14 January 2026
- Published by Elsevier in Biomedical Signal Processing and Control
- Vol. 117
Open AccessHV-OCTAMamba: A high-order vision Mamba network for robust retinal vasculature segmentation in OCTA images
- 16 April 2025
- Published by Springer Nature in Journal of Intelligent Information Systems
- Vol. 63 (4) , 1233-1264
Hybrid Transformer-CNN architecture for multivariate time series forecasting: Integrating attention mechanisms with convolutional feature extraction
- 16 April 2025
- Published by Springer Nature in Journal of Intelligent Information Systems
- Vol. 63 (4) , 1233-1264
Hybrid Transformer-CNN architecture for multivariate time series forecasting: Integrating attention mechanisms with convolutional feature extraction
- Open Access
- 2 September 2024
- Published by Elsevier in Journal of Visual Communication and Image Representation
- Vol. 104
Improved semantic-guided network for skeleton-based action recognition
- 2 September 2024
- Published by Elsevier in Journal of Visual Communication and Image Representation
- Vol. 104
Open AccessImproved semantic-guided network for skeleton-based action recognition
- Open Access
- 1 December 2023
- Published by EJournal Publishing in Journal of Image and Graphics
- Vol. 11 (4)
Human Action Recognition with Skeleton and Infrared Fusion Model
Skeleton-based human action recognition conveys interesting information about the dynamics of a human body. In this work, we develop a method that uses a multi-stream model with connections between the parallel streams. This work is inspired by a state-of-the-art method called FUSIONCPA that merges different modalities: infrared input and skeleton input. Because we are interested in investigating improvements related to the skeleton-branch backbone, we used the Spatial-Temporal Graph Convolutional Networks (ST-GCN) model and an EfficientGCN attention module. We aim to provide improvements when capturing spatial and temporal features. In addition, we exploited a Graph Convolutional Network (GCN) implemented in the ST-GCN model to capture the graphic connectivity in skeletons. This paper reports interesting accuracy on a large-scale dataset (NTU-RGB+D 60), over 91% and 93% on respectively crosssubject, and cross-view benchmarks. This proposed model is lighter by 9 million training parameters compared with the model FUSION-CPA.
- 1 December 2023
- Published by EJournal Publishing in Journal of Image and Graphics
- Vol. 11 (4)
Open AccessHuman Action Recognition with Skeleton and Infrared Fusion Model
Skeleton-based human action recognition conveys interesting information about the dynamics of a human body. In this work, we develop a method that uses a multi-stream model with connections between the parallel streams. This work is inspired by a state-of-the-art method called FUSIONCPA that merges different modalities: infrared input and skeleton input. Because we are interested in investigating improvements related to the skeleton-branch backbone, we used the Spatial-Temporal Graph Convolutional Networks (ST-GCN) model and an EfficientGCN attention module. We aim to provide improvements when capturing spatial and temporal features. In addition, we exploited a Graph Convolutional Network (GCN) implemented in the ST-GCN model to capture the graphic connectivity in skeletons. This paper reports interesting accuracy on a large-scale dataset (NTU-RGB+D 60), over 91% and 93% on respectively crosssubject, and cross-view benchmarks. This proposed model is lighter by 9 million training parameters compared with the model FUSION-CPA.