Théorie et algorithmes pour l'adaptation de domaine en apprentissage profond : application à la vision par ordinateur

Theory and Algorithms for domain adaptation applied to deep computer vision

• Auteur / Autrice : Rodrigue Siry
• Direction : Frédéric Jurie
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 12/12/2022
• Etablissement(s) : Normandie
• Ecole(s) doctorale(s) : École doctorale mathématiques, information et ingénierie des systèmes (Caen)
• Partenaire(s) de recherche : Laboratoire : Groupe de recherche en informatique, image, automatique et instrumentation de Caen (1995-....)
• Partenaire(s) de recherche : établissement co-accrédité : Université de Caen Normandie (1971-....)
• Jury : Président / Présidente : Samia Ainouz
• Jury : Examinateurs / Examinatrices : Amaury Habrard, Céline Hudelot, Loïc Simon, Farid Oudyi
• Jury : Rapporteurs / Rapporteuses : Amaury Habrard, Céline Hudelot

Mots clés

Mots clés contrôlés

Intelligence artificielle

Apprentissage profond

Apprentissage automatique

Mots clés libres

Machine

Domaine

Adaptation

Deep

AI

Adaptation

Domain

Machine

Learning

Résumé

Cette thèse porte sur l’adaptation de domaine : un sous-problème de l’apprentissage automatiqueoù les données d’évaluation diffèrent qualitativement des données d’entraînement. Nous nousintéressons plus spécifiquement à son application aux problèmes de classification d’image avec desmodèles profonds. Nous commencerons d’abord par proposer une série de contributions à la théoriede l’adaptation de domaine, nous mènerons ensuite une analyse critique montrant ses insuffisances,ainsi que celles des algorithmes pratiques existants. Nous montrerons ensuite que la notion de biaisinductif joue un rôle central dans les problèmes de transfert. Enfin, en prenant en compte cettenotion, nous explorerons diverses alternatives intégrant des éléments des littératures voisines duméta-apprentissage, du pré-entraînement et de l’apprentissage de représentations désentrelacées.

The following manuscript tackles the problem of domain adaptation, which is a sub-problem ofmachine learning where train and test data are biased in some way. More specifically, we focus on thecase of deep models applied to image classification problems. We first propose several contributionsto the existing domain adaptation theory and conduct a critical analysis showing its limits, as wellas those of existing practical algorithms. We then show that the notion of inductive bias playsa crucial role in transfer learning problems. Finally, taking this notion into account, we explorevarious alternatives that leverage results from related literatures such as meta-learning, pre-trainingor learning of disentangled representations.