Apprentissage faiblement supervisé pour la classification d'images et l'analyse des obstacles potentiellement mobiles
Auteur / Autrice : | Florent Chiaroni |
Direction : | Frédéric Dufaux |
Type : | Thèse de doctorat |
Discipline(s) : | Traitement du signal et des images |
Date : | Soutenance le 03/02/2020 |
Etablissement(s) : | université Paris-Saclay |
Ecole(s) doctorale(s) : | École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire des signaux et systèmes (Gif-sur-Yvette, Essonne ; 1974-....) |
référent : CentraleSupélec (2015-....) | |
Jury : | Président / Présidente : Jean-Luc Dugelay |
Examinateurs / Examinatrices : Yap-Peng Tan, Hichem Sahbi, Samia Bouchafa, Camille Couprie, Mohamed Cherif Rahal, Nicolas Hueber | |
Rapporteurs / Rapporteuses : Yap-Peng Tan, Hichem Sahbi |
Mots clés
Résumé
Dans le contexte des applications de perception pour le véhicule à conduite déléguée, l’intérêt pour les approches d’apprentissage automatique a continuellement augmenté pendant cette dernière décennie. Cependant, lorsque ces approches doivent être discriminatives, elle nécessitent généralement d’apprendre sur des données manuellement annotées. L’annotation manuelle a un coût non négligeable, tandis que les données non annotées peuvent être facilement obtenues dans le contexte d’un véhicule autonome équipé de capteurs. Il se trouve qu’une catégorie de stratégies d’apprentissage, dite d’apprentissage faiblement supervisé, permet d’exploiter des données partiellement labélisées. Ainsi, nous avons pour objectif dans cette thèse de réduire autant que possible le besoin de labélisation manuelle en proposant des techniques d’apprentissage faiblement supervisées.