Séminaire du 5 mai 2022
Exploitation de l’apprentissage profond dans des contextes opérationnels avec données limitées
Alexandre Baussard, Université de Technologie de Troyes – LIST3N
Résumé :L’apprentissage machine et plus particulièrement l’apprentissage profond (deep learning) permettent d’obtenir des performances très élevées lorsqu’on cherche par exemple à détecter, reconnaitre et identifier des objets ou encore à segmenter ou classifier des zones d’intérêt dans des images ou des vidéos. Cependant, ces performances dépendent en grande partie de la taille et de la diversité des bases de données à disposition lors de l’apprentissage.
Pour certaines applications il n’est pas possible d’avoir accès à de telles bases d’apprentissage et donc d’atteindre des performances élevées. Cette limitation peut s’expliquer par plusieurs raisons. Un premier problème vient de la difficulté et du temps nécessaire à la réalisation des annotations. Une autre contrainte peut être liée aux coûts d’acquisition des données, comme par exemple en imagerie radar ou sonar. Dans un contexte défense, il n’est pas toujours possible de faire des acquisitions exhaustives (différentes prises de vues) d’un même objet ou zone. De plus, les méthodes d’augmentation de données ‘classiques’ ne sont pas toujours compatibles avec les images issues de certains systèmes d’acquisition. Différentes solutions sont alors possibles comme l’apprentissage à partir de peu de données, l’augmentation des bases d’apprentissage via des données synthétiques (utilisation de modèles physiques ou de GAN)… Il est aussi possible d’exploiter des méthodes d’apprentissage non ou faiblement supervisées dans le but par exemple d’annoter automatiquement des images.
A cela s’ajoute des difficultés liées au contenu même des images. En effet, on imagine bien qu’il est plus simple de traiter des images avec de forts contrastes et des objets ou zones ayant des caractéristiques très différentes. En imagerie radar, sonar, médicale voire infrarouge on est souvent confronté à des contenus complexes et dont un certain nombre de caractéristiques sont proches.
Durant ce séminaire, j’aborderai certaines de ces questions via diverses applications ce qui, je l’espère, conduira à de nombreux échanges.