LIP6 CNRS Sorbonne Université Tremplin Carnot Interfaces
Direct Link LIP6 » Actualité » Doctorants
https://webia.lip6.fr/~lawm/

LAW Marc

Docteur()
Équipe : MLIA
Date de départ : 27/05/2016
https://webia.lip6.fr/~lawm/
Direction de recherche : Matthieu CORD
Co-encadrement : GANÇARSKI Stéphane

Apprentissage de distance pour la comparaison d'images et de pages Web

Cette thèse se focalise sur l'apprentissage de distance pour la comparaison d'images ou de pages Web. Les distances (ou métriques) sont exploitées dans divers contextes de l'apprentissage automatique et de la vision artificielle tels que la recherche des k plus proches voisins, le partitionnement, les machines à vecteurs de support, la recherche d'information/images, la visualisation etc. Nous nous intéressons dans cette thèse à l'apprentissage de fonction de distance paramétrée par une matrice symétrique semi-définie positive. Ce modèle, appelé (par abus) apprentissage de distance de Mahalanobis, consiste à apprendre une transformation linéaire des données telle que la distance euclidienne dans l'espace projeté appris satisfasse les contraintes d'apprentissage.
Premièrement, nous proposons une méthode basée sur la comparaison de distances relatives qui prend en compte des relations riches entre les données, et exploite des similarités entre quadruplets d'exemples. Nous appliquons cette méthode aux attributs relatifs et à la classification hiérarchique d'images.
Deuxièmement, nous proposons une nouvelle méthode de régularisation qui permet de contrôler le rang de la matrice apprise, limitant ainsi le nombre de paramètres indépendants appris et le sur-apprentissage. Nous montrons l'intérêt de notre méthode sur des bases synthétiques et réelles d'identification de visage.
Enfin, nous proposons une nouvelle méthode de détection automatique de changement dans les pages Web, dans un contexte d'archivage. Pour cela, nous utilisons les relations de distance temporelle entre différentes versions d'une même page Web. La métrique apprise de façon entièrement non supervisée détecte les régions d'intérêt de la page et ignore le contenu non informatif tel que les menus et publicités. Nous montrons l'intérêt de la méthode sur différents sites Web.
Soutenance : 20/01/2015 - 10h30
Membres du jury :
Patrick Pérez, Technicolor (Rennes), Rapporteur
Alain Rakotomamonjy, Université de Rouen (Rouen), Rapporteur
Francis Bach, Inria - Ecole Normale Supérieure (Paris), Examinateur
Patrick Gallinari, UPMC (Paris), Examinateur
Jean Ponce, Ecole Normale Supérieure (Paris), Examinateur
Frédéric Précioso, Polytech'Nice-Sophia, Examinateur
Matthieu Cord, UPMC (Paris), Directeur de thèse
Stéphane Gançarski, UPMC (Paris), Co-directeur de thèse
Nicolas Thome, UPMC (Paris), Invité

Publications 2012-2016

 Mentions légales
Carte du site |