WANG Xin

Docteur
Équipe : MLIA
Date de départ : 30/09/2017
https://lip6.fr/Xin.Wang

Direction de recherche : Matthieu CORD

Co-encadrement : THOME Nicolas

Apprentissage faiblement supervisé basé sur le regard : application à la reconnaissance visuelle dans l’ensemble de données sur l’alimentation

Dans cette dissertation, nous discutons comment utiliser les données du regard humain pour améliorer la performance du modèle d'apprentissage supervisé faible dans la classification des images. Le contexte de ce sujet est à l'ère de la technologie de l'information en pleine croissance. En conséquence, les données à analyser augmentent de façon spectaculaire. Étant donné que la quantité de données pouvant être annotées par l'humain ne peut pas tenir compte de la quantité de données elle-même, les approches d'apprentissage supervisées bien développées actuelles peuvent faire face aux goulets d'étranglement l'avenir. Dans ce contexte, l'utilisation de annotations faibles pour les méthodes d'apprentissage à haute performance est digne d'étude.
Plus précisément, nous essayons de résoudre le problème à partir de deux aspects: l'un consiste à proposer une annotation plus longue, un regard de suivi des yeux humains, comme une annotation alternative par rapport à l'annotation traditionnelle longue, par exemple boîte de délimitation. L'autre consiste à intégrer l'annotation du regard dans un système d'apprentissage faiblement supervisé pour la classification de l'image. Ce schéma bénéficie de l'annotation du regard pour inférer les régions contenant l'objet cible. Une propriété utile de notre modèle est qu'elle exploite seulement regardez pour la formation, alors que la phase de test est libre de regard. Cette propriété réduit encore la demande d'annotations. Les deux aspects isolés sont liés ensemble dans nos modèles, ce qui permet d'obtenir des résultats expérimentaux compétitifs.

Soutenance : 29/09/2017

Membres du jury :

M. Patrick Le Callet, Université de Nantes/Polytech Nantes [Rapporteur]
M. Philippe-Henri Gosselin, Université de Cergy-Pontoise/ENSEA [Rapporteur]
Mme Catherine Achard, Université Pierre et Marie Curie
M. Chaohui Wang, Université Paris-Est Marne-la-Vallée
M. Fréderic Precioso, Université Nice Sophia Antipolis
M. Nicolas Thome, Conservatoire National des Arts et Métiers
M. Matthieu Cord, Université Pierre et Marie Curie

Date de départ : 30/09/2017

Publications 2015-2021

Mentions légales
Carte du site