Exploiter la structure des données pour apprendre à partir de quelques exemples : applications à la vision assistée par ordinateur et à la neuro-imagerie

Leveraging data structure to learn from few examples : applications to computer vision and neuroimaging

• Auteur / Autrice : Myriam Bontonou
• Direction : Michel Jézéquel
• Type : Thèse de doctorat
• Discipline(s) : Signal, Image, Vision
• Date : Soutenance le 03/12/2021
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Equipe Algorithm Architecture Interactions - Département Mathematical and Electrical Engineering - Laboratoire en sciences et techniques de l'information, de la communication et de la connaissance
• Jury : Président / Présidente : Sophie Achard
• Jury : Examinateurs / Examinatrices : Michel Jézéquel, Antonio Marques, Bertrand Thirion, Vincent Gripon, Nicolas Farrugia
• Jury : Rapporteur / Rapporteuse : Antonio Marques, Bertrand Thirion

Mots clés

Mots clés contrôlés

Neurosciences

Traitement du signal

Apprentissage automatique

Apprentissage profond

Mots clés libres

Apprentissage profond

Apprentissage automatique

Traitement des signaux sur graphe

Neurosciences

Deep learning

Machine learning

Graph signal processing

Neuroscience

Résumé

L'objet de cette thèse est d'investiguer certains verrous liés au développement des méthodes d'apprentissage profond notamment 1) l'apprentissage à partir de peu d'exemples, qui permet de s'adapter à des situations inédites en extrapolant les informations acquises dans un contexte limité et 2) l'apprentissage sur les domaines complexes et abstraits se prêtant mal au formalisme mathématique, en s’intéressant tout particulièrement à l'irrégularité de l'activité cérébrale.Tout d'abord, nous présentons des méthodes de classification permettant d'apprendre à partir de peu d'exemples en s'inspirant d'un contexte plus riche. Nous mettons en avant la question cruciale de l'évaluation de la qualité de l'apprentissage et nous proposons plusieurs pistes de recherche pour y répondre. Ensuite, nous adaptons ces méthodes à des données de neuroimagerie dont le nombre est limité par le coût des techniques d'acquisition. Le problème est d'autant plus complexe que l'activité cérébrale est structurée par des réseaux de neurones adaptatifs et redondants.

The purpose of this thesis is to investigate some of the challenges related to the development of deep learning methods, in particular 1) learning from few examples, which allows to adapt to new situations by extrapolating the information acquired in a limited context, and 2) learning from complex and abstract domains that do not lend themselves well to mathematical formalism, with a particular interest in the irregularity of the brain activity.First, we present classification methods that allow learning from few examples by drawing their inspiration from a richer context. We highlight the crucial question of how to assess the quality of learning and propose several avenues to address it. Then, we adapt these methods to neuroimaging data whose number is limited by the cost of acquisition techniques. The problem is all the more complex as brain activity is structured by adaptative and redundant neural networks.