Modèles d’apprentissage profond hiérarchiques et semi-supervisés sur systèmes embarqués pour l’agriculture intelligente
Auteur / Autrice : | Guillaume Heller |
Direction : | Valeriu Vrabie, Eric Perrin |
Type : | Thèse de doctorat |
Discipline(s) : | Info - Informatique |
Date : | Soutenance le 30/03/2023 |
Etablissement(s) : | Reims |
Ecole(s) doctorale(s) : | École doctorale Mathématiques Physique Sciences du Numérique et de l'Ingénieur (Reims ; 2018-) |
Partenaire(s) de recherche : | Laboratoire : Centre de Recherche en Sciences et Technologies de l'Information et de la Communication (Reims, Marne ; 2004-....) |
Equipe de recherche : Equipe ATS-CRESTIC | |
Jury : | Président / Présidente : Bart Lamiroy |
Examinateurs / Examinatrices : Valeriu Vrabie, Eric Perrin, Jocelyn Chanussot, Su Ruan, Nicolas Thome, Maxime Devanne | |
Rapporteurs / Rapporteuses : Jocelyn Chanussot, Su Ruan |
Mots clés
Mots clés contrôlés
Résumé
L’intelligence artificielle est de plus en plus utilisée pour l’agriculture intelligente. Elle possède cependant plusieurs limitations telles que des besoins importants en ressources, ce qui allonge le délai de traitement des données.Dans cette thèse, nous nous intéressons à la mise en place de solutions d’apprentissage profond pour automatiser la détection de la Flavescence Dorée, une jaunisse de la vigne apparue récemment en Champagne. Nous devrons pour cela respecter des contraintes de précision et de tempsde traitement.Nous proposons d’abord une solution de greffage de réseaux de neurones permettant de combiner des modèles hétérogènes en réutilisant des feature maps de dimension et de nombre variables. La réutilisation de ces informations permet de gagner un temps significatif sans affecter laprécision.Nous mettons ensuite en place une solution de fusion multi-sources permettant de tirer profit d’acquisitions multispectrales. En combinant des feature maps à des niveaux hiérarchiques différents, il est possible d’améliorer la précision et de s’affranchir de l’étape de correction des erreursde parallaxe.Les solutions proposées se basent sur des hyperparamètres déterminés de manière empirique. Nous exploitons des concepts issus de la théorie de l’information pour automatiser la définition de ces paramètres et éviter la multiplication des étapes d’apprentissage.Le dernier axe des travaux vise à faciliter la mise en place des solutions par des approches semi-supervisées et des méthodes antagonistes génératives pour tenir compte des spécificités des jeux de données relatifs aux maladies de la vigne : classes déséquilibrées, phase de labélisation chronophage…