WANG Xin
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
Publications 2015-2021
-
2021
- Y. Yang, H. Jiang, G. Zhang, X. Wang, Y. Lv, X. Li, S. Fdida, G. Xie : “S2H: Hypervisor as a Setter within Virtualized Network I/O for VM Isolation on Cloud Platform”, Computer Networks, vol. 201, pp. 108577, (Elsevier) (2021)
-
2019
- K. Qiu, J. Zhao, X. Wang, X. Fu, S. Secci : “Efficient Recovery Path Computation for Fast Reroute in Large-scale Software Defined Networks”, IEEE Journal on Selected Areas in Communications, vol. 37 (8), pp. 1755-1768, (Institute of Electrical and Electronics Engineers) (2019)
- K. Qiu, J. Yuan, J. Zhao, X. Wang, S. Secci, X. Fu : “FastRule: Efficient Flow Entry Updates for TCAM-based OpenFlow Switches”, IEEE Journal on Selected Areas in Communications, vol. 37 (3), pp. 484-498,, (Institute of Electrical and Electronics Engineers) (2019)
-
2018
- K. Qiu, J. Yuan, J. Zhao, X. Wang, S. Secci, X. Fu : “Fast Lookup Is Not Enough: Towards Efficient and Scalable Flow Entry Updates for TCAM-Based OpenFlow Switches”, 38th IEEE International Conference on Distributed Computing Systems (ICDCS), Vienna, Austria (2018)
-
2017
- X. Wang : “Gaze-Based Weakly Supervised Localization for Image Classification: Application to Visual Recognition in a Food Dataset”, thèse, soutenance 29/09/2017, direction de recherche Cord, Matthieu, co-encadrement : Thome, Nicolas (2017)
- X. Wang, N. Thome, M. Cord : “Gaze Latent Support Vector Machine for Image Classification Improved by Weakly Supervised Region Selection”, Pattern Recognition, vol. 72, pp. 59-71, (Elsevier) (2017)
- K. Qiu, S. Huang, Q. Xu, J. Zhao, X. Wang, S. Secci : “ParaCon: A Parallel Control Plane for Scaling Up Path Computation in SDN”, IEEE Transactions on Network and Service Management, vol. 14 (4), pp. 978-990, (IEEE) (2017)
-
2016
- X. Wang, N. Thome, M. Cord : “GAZE LATENT SUPPORT VECTOR MACHINE FOR IMAGE CLASSIFICATION”, IEEE International Conference on Image Processing (ICIP), Phoenix, AZ, United States (2016)
-
2015
- X. Wang, D. Kumar, N. Thome, M. Cord, F. Precioso : “RECIPE RECOGNITION WITH LARGE MULTIMODAL FOOD DATASET”, IEEE International Conference on Multimedia & Expo (ICME), workshop CEA, Turin, Italy (2015)