CHEN Mickael

Docteur
Équipe : MLIA
Date de départ : 02/07/2020
https://lip6.fr/Mickael.Chen

Direction de recherche : Ludovic DENOYER

Co-encadrement : ARTIÈRES Thierry

Apprendre avec une supervision faible à l'aide de réseaux génératifs profonds

Nombre des succès de l’apprentissage profond reposent sur la disponibilité de données massivement collectées et annotées, exploités par des algorithmes supervisés. Ces annotations, cependant, peuvent s’avérer difficiles à obtenir. La conception de méthodes peu gourmandes en annotations est ainsi un enjeu important, abordé dans des approches semi-supervisées ou faiblement supervisées. Par ailleurs ont été récemment introduits les réseaux génératifs profonds, capables de manipuler des distributions complexes et à l’origine d’avancées majeures, en édition d’image et en adaptation de domaine par exemple.
Dans cette thèse, nous explorons comment ces outils nouveaux peuvent être exploités pour réduire les besoins en annotations. En premier lieu, nous abordons la tâche de prédiction stochastique. Il s’agit de concevoir des systèmes de prédiction structurée tenant compte de la diversité des réponses possibles. Nous proposons dans ce cadre deux modèles, le premier pour des données multivues avec vues manquantes, et le second pour la prédiction de futurs possibles d’une séquence vidéo. Ensuite, nous étudions la décomposition en deux facteurs latents indépendants dans le cas où un seul facteur soit annoté. Nous proposons des modèles qui visent à retrouver des représentations latentes sémantiquement cohérentes de ces facteurs explicatifs. Le premier modèle est appliqué en génération de données de capture de mouvements, le second, sur des données multivues. Enfin, nous nous attaquons au problème, crucial en vision par ordinateur, de la segmentation d’image. Nous proposons un modèle, inspiré des idées développées dans cette thèse, de segmentation d’objet entièrement non supervisé.

Soutenance : 02/07/2020

Membres du jury :

M. François Fleuret, Professeur, Université de Genève - EPFL [Rapporteur]
M. Jakob Verbeek, Directeur de Recherche - INRIA Grenoble - FAIR [Rapporteur]
M. Thierry Artières, Professeur, Aix Marseille Université - Ecole Centrale Marseille - LIS
M. Matthieu Cord, Professeur, Sorbonne Université - LIP6
M. Ludovic Denoyer, Professeur, Sorbonne Université - LIP6 - FAIR
Mme. Elisa Fromont, Professeur, Université de Rennes I - INRIA/IRISA

Date de départ : 02/07/2020

Publications 2017-2020

Mentions légales
Carte du site