Description
Date depot: 1 octobre 2020
Titre: Deep ensembles to boost image understanding
Directeur de thèse:
Matthieu CORD (ISIR (EDITE))
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Intelligence artificielle
Resumé:
Le Deep Learning a révolutionné l’analyse d’images ces dernières années. Les réseaux convolutifs constituent l’état de l’art depuis le succès AlexNet (Krizhevskyet al. 2012) à la compétition ImageNet (Denget al. 2009). Depuis, les architectures ont évolué (Simonyanet al. 2014 ;Heetal. 2016), avec des performances comparables à celles humaines en termes de précision. L’objectif de cette thèse est de développer des modèles neuronaux profonds d’interprétation de l’information visuelle dans un cadre d’apprentissage statistique. Cette compréhension de la structure de l’information visuelle requiert également d’identifier les limites de ses modèles et de savoir en détecter les erreurs. Dans cette thèse, nous explorerons prioritairement des aspects de performances en reconnaissance visuelle via l’étude d’ensemble de réseaux profonds (deep ensemble). Nous étudierons également comment combiner ces approches avec des principes issus de la théorie de l’information (comme information bottleneck) récemment proposés dans le contexte du deep learning.
Doctorant.e: Ramé Alexandre