Apprentissage de relations spatiales floues pour l'interprétation sémantique d'images avec justification.

par Régis Pierrard

Projet de thèse en Informatique

Sous la direction de CéLINE Hudelot.

Thèses en préparation à Paris Saclay , dans le cadre de École doctorale INTERFACES : approches interdisciplinaires / fondements, applications et innovation (Palaiseau, Essonne ; 2015-....) , en partenariat avec Mathématiques et Informatique pour la Complexité et les Systèmes - EA 4037 (laboratoire) et de CentraleSupélec (2015-....) (établissement de préparation de la thèse) depuis le 16-01-2017 .


  • Résumé

    La classification d'images est devenu un enjeu majeur pour la recherche depuis la multiplication massive des sources de données. Cependant, les classifieurs utilisés dans ce domaine sont souvent des boîtes noires, ce qui est d'autant plus vrai avec la tendance actuelle de l'apprentissage profond. En effet, l'une des idées de l'apprentissage profond consiste à ne plus sélectionner les caractéristiques en entrée, mais au contraire à laisser l'algorithme étudier les liens entre toutes les données (i.e. tous les pixels d'une image). Cependant dans certaines applications, comme dans le domaine médical ou la sécurité, présenter un bon taux de classifications correctes ne suffit pas: il faut également pouvoir justifier la décision. C'est dans ce cadre que nous proposons ces travaux qui consistent à induire des règles spatiales en logique floue à partir d'un ensemble d'apprentissage.

  • Titre traduit

    Learning fuzzy spatial relationships for image semantic analysis with justification.


  • Résumé

    Image classification has become a major research issue since the big data boom. However, the classifiers that are used in this field are often black boxes. This is even more true with regard to the current deep learning trend. Indeed, one of the deep learning principles is to let the algorithm study the links between data (i.e. all the pixels of an image) instead of selecting the input features. However, in some applications like the medical field or security, it is not enough to get a good accuracy rate: it is also necessary to justify the decision. In this context, we propose this work which consists in infering fuzzy spatial relationships from a dataset.