Description
Date depot: 25 novembre 2019
Titre: Amélioration continue des algorithmes de détection d'objets dans des images
Directeur de thèse:
Matthieu CORD (ISIR (EDITE))
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Intelligence artificielle
Resumé:
Les dernières années ont vu un large regain d’intérêt de la communauté de vision par ordinateur pour les architectures profondes (Deep Learning) depuis le succès de l’architecture AlexNet sur la base de données ILSVRC2012.
Néanmoins, malgré des performances parfois stupéfiantes des réseaux de neurones nourris avec de grandes quantités de données, la capacité d’apprendre continuellement au fil du temps en adaptant de nouvelles connaissances tout en conservant les expériences déjà apprises représente un défi de longue date pour l’apprentissage automatique et par conséquent, pour le développement de systèmes d’intelligence artificielle (AI). Les systèmes d’apprentissage doivent, d’une part, montrer la capacité d’acquérir de nouvelles connaissances et d’affiner les connaissances existantes sur la base nouvelles données acquises en continu et, d’autre part, empêcher les nouveaux intrants d’interférer de manière significative avec les connaissances. La mesure dans laquelle un système doit être plastique pour intégrer de nouvelles informations et stable pour ne pas interférer de façon catastrophique avec les connaissances consolidées est connu sous le nom de dilemme stabilité-plasticité.
Le but de ce projet de thèse sera de s’attaquer à différents verrous scientifiques de l’apprentissage supervisé par des réseaux de neurones liés à la difficulté à obtenir des données labélisées. Une première approche - déjà explorée lors de deux précédentes thèses entre les deux équipes encadrantes - permettant de mitiger ce problème est l’exploitation d’information additionnelle via un apprentissage multitâche exploitant des données auxiliaires additionnelles. Nous nous attacherons aussi à proposer des solutions pouvant intégrer en continu de nouvelles données, et de par ce fait devrons nous intéresser aux problématiques d’interférence catastrophiques précédemment mentionnées. Cette thèse s’intéressera donc à différentes manières de traiter les problèmes actuellement ouverts concernant l’incorporation d’information annexes et l’ajout d’information supplémentaire en continu lors de l’entraı̂nement d’un classificateur.
Doctorant.e: Sun Rémy