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

DESCHAMPS Sébastien

PhD student
Team : MLIA
Arrival date : 10/01/2019
Localisation : Campus Pierre et Marie Curie
    Sorbonne Université - LIP6
    Boîte courrier 169
    Couloir 26-00, Étage 5, Bureau 504
    4 place Jussieu
    75252 PARIS CEDEX 05
    FRANCE
Tel: +33 1 44 27 88 87, Sebastien.Deschamps (at) nulllip6.fr
Supervision : Hichem SAHBI

Actif deep learning for object detection

L’apprentissage profond (Deep Learning) a donné des résultats remarquables dans les applications d'analyse d'images où de grandes quantités de données annotées sont disponibles. Ceci est en partie dû à la capacité des réseaux de neurones à convolutions d’intégrer ces énormes quantités de données dans de puissants a priori qui modélisent efficacement la distribution des données. Cela est particulièrement vrai dans le cas des images naturelles, où des collections allant jusqu'à des dizaines de millions d'exemples sont disponibles. Ces a priori sont intrinsèquement intégrés aux extracteurs de caractéristiques appris, au-delà desquelles divers modèles peuvent être spécialisés, tels que la classification d'images, la localisation d'objets à l'aide de la régression et l'apprentissage métrique.
Cependant, étant donné le nombre important d’images contenant une variété d’objets d’intérêt, apprendre un nouveau détecteur d’objets à partir de zéro est toujours une tâche difficile. La plupart des méthodes de détection d'objets existantes sont supervisées, c'est-à-dire qu'elles nécessitent des annotations, généralement sous la forme de rectangles englobants, ou plus généralement de masques au niveau des pixels entourant les objets d'intérêt. L'annotation d'un grand corpus de données représente un investissement important et la manière dont les images sont annotées est souvent liée au fonctionnement des méthodes d'apprentissage supervisé. Dans ce cas, le praticien doit avoir des bonnes connaissances en apprentissage pour faire des bons choix de données mais aussi pour en collecter en quantité et diversité suffisantes, pour bien définir des classes tout en anticipant les problèmes induits par des biais statistiques, pour nettoyer les données et pour choisir des modèles et des hyper-paramètres appropriés.
L'objectif de cette thèse est d'étudier des méthodes d'apprentissage incrémentiel de détecteurs d'objets en commençant par très peu d'instances et en demandant à l'utilisateur d'annoter, de corriger ou de valider le moins possible d'annotations automatiques pour obtenir des performances satisfaisantes. L'une des solutions possibles consiste à utiliser le méta-apprentissage pour former un apprenant qui génère des détecteurs d'objets. Une deuxième approche consiste à utiliser le méta-apprentissage pour sélectionner les échantillons à présenter à l'utilisateur pour obtenir un retour d'informations sur la pertinence. La vitesse de d’apprentissage est également un problème critique, car actuellement pour un détecteur d'objets elle est de plusieurs heures sur un GPU.
 Mentions légales
Site map |