Description
Date depot: 6 mars 2020
Titre: Apprentissage profond actif pour la détection d'objets
Directeur de thèse:
Hichem SAHBI (LIP6)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé:
L’apprentissage profond a donné des résultats remarquables dans les applications d'analyse d'images où de grandes quantités de données annotées sont disponibles. Ceci est en partie dû à la capacité des réseaux de neurones à intégrer d'énormes quantités de données dans de puissants a priori qui modélisent efficacement la distribution des données. Cela est particulièrement vrai dans le cas d'images naturelles où des collections allant jusqu'à des dizaines de millions d'exemples sont disponibles. Ces a priori sont intrinsèquement intégrés aux extracteurs de caractéristiques appris, au-delà desquelles divers modèles peuvent être spécialisés, tels que la classification d'images, la localisation d'objets à l'aide de la régression et l'apprentissage métrique.
Cependant, étant donné le nombre important d’images contenant une variété d’objets d’intérêt, apprendre un nouveau détecteur d’objets à partir de zéro est toujours une tâche difficile. La plupart des méthodes de détection d'objets existantes sont supervisées, c'est-à-dire qu'elles nécessitent des annotations, généralement sous la forme de rectangles englobants, ou plus généralement des masques au niveau des pixels entourant les objets d'intérêt. L'annotation d'un grand corpus de données représente un investissement important et la manière dont les images sont annotées est souvent liée au fonctionnement des méthodes d'apprentissage supervisé. Dans ce cas, le praticien doit avoir des bonnes connaissances en apprentissage pour faire des bons choix de données mais aussi pour en collecter en quantité et diversité suffisantes, pour bien définir des classes tout en anticipant les problèmes induits par des biais statistiques, pour nettoyer les données et pour choisir des modèles et des hyper-paramètres appropriés.
L'objectif de cette thèse est d'étudier des méthodes d'apprentissage incrémentiel de détecteurs d'objets en commençant par très peu d'instances et en demandant à l'utilisateur d'annoter, de corriger ou de valider le moins d'instances possible pour obtenir des performances satisfaisantes. L'une des solutions possibles consiste à utiliser le méta-apprentissage pour former un apprenant qui génère des détecteurs d'objets. Une deuxième approche consiste à utiliser le méta-apprentissage pour sélectionner les échantillons à présenter à l'utilisateur pour obtenir un retour d'informations sur la pertinence. La vitesse de d’apprentissage est également un problème critique.
Doctorant.e: Deschamps Sébastien