Thèse soutenue

Meta-decomposition and evaluation processes in machine learning applications

FR  |  
EN
Auteur / Autrice : Seyed Mohammad Reza Modaresi
Direction : Aomar OsmaniMohammadreza RazzaziAbdelghani Chibani
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 21/12/2023
Etablissement(s) : Paris 13
Ecole(s) doctorale(s) : École doctorale Galilée (Villetaneuse, Seine-Saint-Denis)
Partenaire(s) de recherche : Laboratoire : Laboratoire informatique de Paris-Nord (Villetaneuse, Seine-Saint-Denis ; 2001-....)
Jury : Président / Présidente : Nathalie Pernelle
Examinateurs / Examinatrices : Mostafa Haghir Chehreghani, Dominique Vaufreydaz
Rapporteurs / Rapporteuses : Samia Bouzefrane, Karim Djouani

Résumé

FR  |  
EN

La segmentation est une étape cruciale dans diverses applications du monde réel telles que l’analyse d’images médicales, la reconnaissance d’activités et la détection d’événements sonores. Elle implique de diviser les données d’entrée en segments plus petits, ce qui induit des modifications dans certaines caractéristiques des données d’entrée. Ce processus introduit au moins deux familles de biais incontrôlables. La première famille de biais est introduite dans le modèle en raison des changements dans l’espace du problème provoqués par la segmentation elle-même. La deuxième famille de biais est causée par le processus de segmentation lui-même, y compris la fixation de la méthode de segmentation et de ses paramètres. Cette thèse présente une nouvelle couche adaptative conçue pour améliorer les modèles de segmentation d’images médicales existants, améliorant ainsi leurs performances. Cette couche adaptative ajuste dynamiquement la taille du champ récepteur en fonction des informations des pixels et de leur voisinage. Ces concepts sont ensuite étendus à des scénarios plus complexes impliquant des types de données hétérogènes, présentant une nouvelle approche de méta-décomposition ou d’apprentissage de la décomposition pour la segmentation. Cette approche atténue les biais implicites tout en permettant une segmentation adaptative pour différents types de données, prenant en compte les variations et les hétérogénéités des données telles que les différences saisonnières dans les activités. Reconnaissant l’impact de la segmentation sur l’espace du problème, la recherche examine les inconvénients des méthodes d’évaluation de pointe, en mettant l’accent sur la nécessité de cadres plus complets qui se concentrent sur des méthodes d’évaluation basées sur des points, négligeant les relations spatiales ou temporelles entre les instances. Pour valider l’efficacité des techniques d’évaluation suggérées et de l’approche de méta-décomposition, des expérimentations approfondies sont menées sur divers ensembles de données réels concrets.