Prédiction conforme pour une vision par ordinateur de confiance : applications à la détection de la signalisation ferroviaire et au suivi des trains

Conformal prediction for trustworthy computer vision : applications to railway signaling detection and train tracking

• Auteur / Autrice : Léo Andeol
• Direction : Fabrice Gamboa, Sébastien Gerchinovitz
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques et Applications
• Date : Soutenance le 17/12/2025
• Etablissement(s) : Université de Toulouse (2023-2025)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Institut de mathématiques de Toulouse (2007-....)
• Partenaire(s) de recherche : Etablissement de délivrance conjointe : Université de Toulouse (EPE ; 2025-....)
• Jury : Président / Présidente : Béatrice Laurent
• Jury : Examinateurs / Examinatrices : Vladimir Vovk, Grégoire Montavon
• Jury : Rapporteurs / Rapporteuses : Aymeric Dieuleveut, Laurent Younes
• DOI : 10.70675/524149d7zff64z41f2z98e5z1408b4b43772

Mots clés

Mots clés contrôlés

Trains

Localisation

Signalisation ferroviaire

Vision par ordinateur

Mots clés libres

Prédiction conforme

Quantification d'incertitude

Détection d'objets

Conformal prediction

Uncertainty quantification

Object detection

Résumé

L'apprentissage profond a accompli des progrès remarquables en vision par ordinateur, mais sa nature complexe de boîte noire mêlée de défis statistiques clés empêche encore son utilisation fiable dans des applications critiques pour la sécurité, telles que la conduite autonome, la santé ou l'aéronautique. Dans ces domaines, produire des prédictions précises ne suffit pas : il est également nécessaire de pouvoir certifier leur fiabilité par des garanties rigoureuses. Cette thèse aborde ce problème en développant des méthodes de Prédiction Conforme pour la détection d'objets et d'autres tâches d'apprentissage complexes, en collaboration avec la SNCF et l'ANITI.La Prédiction Conforme (PC) est un cadre statistique qui ne fait pas d'hypothèse sur la loi des données ni sur le modèle prédictif, et qui dote les modèles d'apprentissage automatique d'ensembles de prédiction satisfaisants des garanties de couverture non-asymptotiques. Bien qu'elle ait été étudiée en profondeur pour la classification et la régression, son adaptation à des tâches structurées complexes telles que la détection et la segmentation requiert de nouvelles idées. Les contributions de cette thèse sont les suivantes. Tout d'abord, nous étudions les méthodes de type Conformal Risk Control (CRC) pour la détection d'objets et proposons une nouvelle modélisation pour la reconnaissance de signaux ferroviaires. Nous proposons ensuite SeqCRC, une extension de CRC permettant de contrôler deux fonctions de perte pour deux paramètres choisis séquentiellement. Indépendamment, nous proposons des approches efficaces de PC robuste qui préservent la validité face à des perturbations adversariales et des changements de distribution, en s'appuyant sur des réseaux de neurones Lipschitz par construction. Enfin, nous validons ces méthodes sur des cas d'étude industriels à l'aide d'une bibliothèque open-source dédiée, CODS. Les applications incluent la détection de signaux ferroviaires et la segmentation de trajectoires de trains, illustrant leur potentiel pour la certification de systèmes de perception fondés sur l'IA.Dans l'ensemble, ce travail apporte à la fois des avancées théoriques et des outils pratiques pour une quantification fiable de l'incertitude dans des tâches de vision complexes, avec l'objectif de relier garanties statistiques rigoureuses et contraintes des applications réelles critiques pour la sécurité.

Deep learning has achieved remarkable progress in computer vision, but its complex black-box nature, paired with key statistical challenges, still prevent reliable use in safety-critical applications such as autonomous driving, healthcare, and aerospace. In these domains, producing accurate predictions is not sufficient: one must also be able to certify their reliability with rigorous guarantees. This thesis addresses this problem by developing Conformal Prediction methods for object detection and other complex learning tasks, in collaboration with SNCF and ANITI.Conformal Prediction (CP) is a distribution-free and model-free statistical framework that equips machine learning models with prediction sets satisfying finite-sample coverage guarantees under light assumptions. While it has been studied in depth for classification and regression, adapting it to complex structured tasks such as detection and segmentation requires new developments. The contributions of this thesis are the following. First, we study Conformal Risk Control (CRC) methods for object detection and propose a new modeling for railway signal recognition. Then, we propose SeqCRC, an extension of CRC allowing to control two losses with two sequentially chosen parameters. Independently, we propose efficient approaches to robust CP that preserve validity under adversarial perturbations, relying on Lipschitz-constrained neural networks. Finally, we validate these methods in industrial case studies using an open-source, purpose-built library, CODS. Applications include train signaling detection and train trajectory segmentation, highlighting their potential for certification of AI-based perception systems.Overall, this work contributes both theoretical advances and practical tools to reliable uncertainty quantification for complex vision tasks, with the goal of bridging rigorous statistical guarantees with the constraints of real-world safety-critical applications.