Apprentissage profond semi-supervisé et non-supervisé, avec application à la conduite autonome

par Van huy Vo

Projet de thèse en Informatique

Sous la direction de Jean Ponce et de Patrick Perez.

Thèses en préparation à Paris Sciences et Lettres , dans le cadre de École doctorale Sciences mathématiques de Paris centre (Paris) , en partenariat avec DIENS - Département d'informatique de l'École normale supérieure (laboratoire) et de École normale supérieure (Paris ; 1985-....) (établissement de préparation de la thèse) depuis le 01-09-2018 .


  • Résumé

    Apprentissage profond semi-supervisé et non-supervisé, avec application à la conduite autonome: Les systèmes actuels de conduite autonome requièrent énormément de données annotées (vidéos et signaux lidar en particulier) pour l'entraînement de leur modules de perception et de décision. L'acquisition de telles données annotées est difficile, coûteuse et jamais suffisante. Bien que fournissant un complément appréciable, le recours aux données synthétiques posent d'autres problèmes, dont celui dit de l'adaptation de domaine. Des avancées récentes en apprentissage avec peu ou pas de supervision ouvrent dans ce contexte de nouvelles perspectives. C'est ce que nous explorerons dans cette thèse, pour les tâches de perception visuelle. La détection et la segmentation d'objet d'intérêt en scènes urbaines, qui sont des tâches clé en conduite autonome, seront plus particulièrement attaquées.

  • Titre traduit

    Semi-supervised and unsupervised learning with applications to autonomous driving


  • Résumé

    Semi-supervised and unsupervised learning with applications to autonomous driving: Current autonomous driving systems require massive amount of annotated data (videos and lidar signals in particular) to train their perception and decision modules. Acquiring such annotated data is time consuming, expensive and doomed to remain insufficient. While relying on synthetic data is a powerful workaround, it then requires non trivial domain adaptation. Recent developments in semi-supervised, self-supervised and unsupervised learning open up new opportunities toward very large scale training. In this thesis, we will explore several of such tools to train visual perception with little supervision. Detection and segmentation of relevant objects in urban scenes are key tasks for autonomous driving that will be particularly addressed in this work.