Contribution à la mise en place de réseaux profonds pour l'étude de tableaux par le biais de l'explicabilité : Application au style Tenebrisme (''clair-obscur'')

Contribution to the establishment of deep neural networks for the study of paintings through explainability : Application to the Tenebrism style (''chiaroscuro'').

• Auteur / Autrice : Siwar Ben Gamra
• Direction : André Bigand, Ezzeddine Zagrouba
• Type : Thèse de doctorat
• Discipline(s) : Sciences et Technologies de l'information et de la communication. Informatique et application
• Date : Soutenance le 30/12/2023
• Etablissement(s) : Littoral en cotutelle avec Université de Tunis El Manar
• Ecole(s) doctorale(s) : École doctorale Sciences, technologie et santé (Amiens)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, signal et image de la Côte d'Opale (Calais, Pas de Calais) - Laboratoire de recherche en informatique, modélisation et traitement de l'information et de la connaissance (Tunis, Tunisie)
• Jury : Examinateurs / Examinatrices : Walid Barhoumi, Thierry Bouwmans, Mohamed Ali Mahjoub, Christophe Renaud
• DOI : 10.70675/e17ccea7z0d2bz4312za0b1z8373c6001c11

Mots clés

Mots clés contrôlés

Apprentissage profond

Vision par ordinateur

Reconnaissance d'objets (informatique)

Clair-obscur

Peinture

Mots clés libres

Apprentissage profond

Vision par ordinateur

Tableaux de peintures

Détection d'objets

Explicabilité de l'intelligence artificielle

Méthodes basées perturbations

Deep learning

Computer vision

Painting

Object detection

Explainable Artificial Intelligence

Perturbation-Based methods

Résumé

La détection de visages à partir des images picturales du style clair-obscur suscite un intérêt croissant chez les historiens de l'art et les chercheurs afin d'estimer l'emplacement de l'illuminant et ainsi répondre à plusieurs questions techniques. L'apprentissage profond suscite un intérêt croissant en raison de ses excellentes performances. Une optimisation du Réseau ''Faster Region-based Convolutional Neural Network'' a démontré sa capacité à relever efficacement les défis et à fournir des résultats prometteurs en matière de détection de visages à partir des images clai-obscur. Cependant, ces réseaux sont caractérisés comme des ''boites noires'' en raison de la complexité inhérentes et de la non-linéarité de leurs architectures. Pour aborder ces problèmes, l'explicabilité devient un domaine de recherche actif pour comprendre les modèles profonds. Ainsi, nous proposons une nouvelle méthode d'explicabilité itérative basée sur des perturbations guidées pour expliquer les prédictions.

Face detection from Tenebrism paintings is of growing interest to art historians and researchers in order to estimate the illuminant location, and thereby answer several technical questions. Deep learning is gaining increasing interest due to is high performance capabilities. An optimization of Faster Region based Convolutional Neural Network has demonstrated its ability to effectively address challenges and deliver promising face detection results from Tenebrism paintings. However, deep neural networks are often characterized as ''black box'' because of the inherent complexity and non-linearity of their architectures. To tackle these issues, eXplainable Artificial Intelligence (XAI) is becoming an active researcj area to understand deep models. So, we propose a novel iterative XAI method based on guided perturbations to explain model's application.