LIP6 CNRS Sorbonne Université Tremplin Carnot Interfaces
Direct Link LIP6 » News » PhD students

SAPORTA Antoine

PhD student
Team : MLIA
Arrival date : 05/01/2019
Localisation : Campus Pierre et Marie Curie
    Sorbonne Université - LIP6
    Boîte courrier 169
    Couloir 26-00, Étage 5, Bureau 525
    4 place Jussieu
    75252 PARIS CEDEX 05
    FRANCE
Tel: +33 1 44 27 51 29, Antoine.Saporta (at) nulllip6.fr
Supervision : Matthieu CORD
Co-supervision : PEREZ Patrick (Valeo.ai)

Deep architectures and domain adaptation for autonomous driving

epuis cinq ans, la quasi-totalité des systèmes de reconnaissance d'images et de vidéos utilise des réseaux de neurones convolutifs profonds. En dépit de leur performance indéniable, y compris pour l'analyse des données complexes relatives à la conduite autonome, de nombreuses questions restent ouvertes quant à leur fonctionnement et en particulier à leur capacité de généralisation dans des situations nouvelles ou inattendues. Tant que certains verrous ne seront pas levés, Valeo et les autres acteurs du domaine ne pourront déployer des systèmes de délégation totale de la conduite sur le marché. Dans cette thèse, nous nous concentrerons principalement sur la modalité visuelle, et notre objectif principal est de proposer de nouveaux schémas d'apprentissage de systèmes de vision pour le contexte de la voiture autonome. Nous nous attacherons en particulier à développer de nouvelles techniques d'adaptation de domaine, pour des tâches telles que la segmentation sémantique de scène. L'adaptation de domaine est en effet l'une des pistes les plus prometteuses à l'heure actuelle pour améliorer l'apprentissage des modèles de perception visuelle pour la conduite autonome et en étendre les capacités de généralisation sans surcoût d'annotation. Au-delà des applications visées, la question de la capacité de généralisation effective des systèmes entraînés dans des milieux contrôlés est cruciale en apprentissage automatique.

2019 Publications

 Mentions légales
Site map |