Apprentissage de représentations invariantes de domaines pour des données d'images hétérogènes

Learning domain invariant representations of heterogeneous image data

• Auteur / Autrice : Mihailo Obrenović
• Direction : Pierre Gançarski, Miloš Ivanović
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 29/09/2023
• Etablissement(s) : Strasbourg en cotutelle avec Université de Kragujevac (Serbie)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
• Jury : Président / Présidente : Nicolas Courty
• Jury : Examinateurs / Examinatrices : Thomas Lampert, Vincent Noblet, Charlotte Pelletier
• Jury : Rapporteurs / Rapporteuses : Nicolas Courty, Dino Ienco

Mots clés

Mots clés contrôlés

Télédétection

Apprentissage profond

Mots clés libres

Adaptation de domaine

Apprentissage profond

Apprentissage de représentations

Télédétection

Domain adaptation

Deep Learning

Representation learning

Remote sensing

Résumé

L’apprentissage profond supervisé repose largement sur une grande quantité de données étiquetées, souvent difficile à obtenir. L'adaptation de domaine résout ce problème en appliquant les connaissances acquises à partir d'un jeu de données étiqueté à un autre jeu lié, mais non ou faiblement étiqueté. L'adaptation de domaine hétérogène est particulièrement complexe car les domaines se situent dans différents espaces. Ces méthodes sont très intéressantes pour les champs où une variété de capteurs est utilisée (comme la télédétection), capturant des images de différentes modalités. Cette thèse propose des approches novatrices pour l'Adaptation de Domaine d'Images Hétérogènes (ADIH) basées sur l'extraction de caractéristiques invariantes de domaines. La thèse examine différents scénarios de supervision dans le domaine cible : non supervisé, semi-supervisé et avec des contraintes. Les résultats montrent que l'approche proposée surpasse de manière cohérente les méthodes concurrentes.

Supervised deep learning heavily relies on a large amount of labelled data, often difficult to obtain. Domain adaptation addresses this issue by applying knowledge acquired from a labelled dataset to another related dataset, which is either unlabeled or sparsely labelled. Heterogeneous domain adaptation is particularly challenging as domains lie in different spaces. These methods are very interesting for the fields using a variety of sensors (such as remote sensing), capturing images of diverse modalities. This thesis proposes novel approaches for Heterogeneous Image Domain Adaptation (HIDA) based on extracting domain invariant features. The thesis considers different supervision scenarios in the target domain: unsupervised, semi-supervised, and with constraints. The results demonstrate that the proposed approach consistently outperforms competing methods.