Thesis of Thomas Duboudin


Subject:
Apprentissage profond de simulation augmentée en vue d’applications aéroportées et terrestres

Summary:

L'apprentissage profond est un ensemble de méthodes utilisant de grandes quantités de données. L'annotation et la récolte des données est un processus couteux, et long. Dans de nombreux domaines, il y a donc un manque de données utilisables pour l'apprentissage profond. Pour pallier à ce manque de données, une des stratégies possibles consiste à utiliser des données synthétiques (issues de moteurs de rendu graphique comme Blender, ou même de moteurs de jeux vidéos, dans le cas d'images). Seulement, un réseau de neurones entraîné sur des données synthétiques subit une chute de performance lorsqu'il est utilisé sur des données réelles. Cela s'explique par les différences significatives qu'il existe entre données réelles et synthétiques (les données synthétiques sont très rarement photo-réalistes, par exemple). L'objectif de ma thèse est d'éviter cette chute de performance, ou de la limiter le plus possible, dans le cas où l'application choisie est celle de la détection d'objets. La stratégie choisie consiste à transformer les données (des images) de manière à les rendre plus réaliste, à l'aide de réseaux génératifs adverses. Une fois les données rendues plus réalistes, elles seront utilisées pour entraîner un détecteur d'objets dont les performances ne diminueront pas sur des images réelles.


Advisor: Liming Chen
Coadvisor: Emmanuel Dellandréa