Ré-identification et adaptabilité inter-domaines

Re-identification and cross-domain adaptability

• Auteur / Autrice : Fabian Dubourvieux
• Direction : Stéphane Canu, Samia Ainouz
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 31/08/2022
• Etablissement(s) : Normandie
• Ecole(s) doctorale(s) : École doctorale mathématiques, information et ingénierie des systèmes (Caen)
• Partenaire(s) de recherche : Établissement de préparation : Institut national des sciences appliquées Rouen Normandie (Saint-Etienne-du-Rouvray ; 1985-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, de traitement de l'information et des systèmes (Saint-Etienne du Rouvray, Seine-Maritime ; 2006-...)
• Jury : Président / Présidente : Atilla Baskurt
• Jury : Examinateurs / Examinatrices : Stéphane Canu, Samia Ainouz, Michel Crucianu, Alice Caplier, Fabien Moutarde, Romaric Audigier, Angélique Loesch
• Jury : Rapporteurs / Rapporteuses : Michel Crucianu, Alice Caplier

Mots clés

Mots clés contrôlés

Identification automatique

Reconnaissance des formes (informatique)

Vision par ordinateur

Apprentissage non supervisé (intelligence artificielle)

Apprentissage profond

Apprentissage automatique

Mots clés libres

Re-identification

Adaptation

Domaine

Re-identification

Cross-domain

Adaptation

Machine learning

Deep learning

Unsupervised learning

Computer vision

Résumé

La Re-Identification (re-ID) est une tâche d'association d'observations d'une même instance. La re-ID est au centre d'un grand nombre d'applications de la vision par ordinateur. L'apprentissage automatique supervisé, a permis d'inférer des caractéristiques discriminantes de l'identités pour la re-ID, à partir d'un grand nombre d'images d'instances dont les identités ont été annotées manuellement. Or, le domaine de test diffère couramment en pratique du domaine d'entraînement, si l'on souhaite déployer le système de re-ID dans un contexte différent. Cependant, une différence des domaines causé par un changement de lieu par exemple, entraîne une chute drastique des performances de re-ID sur le domaine de test. Étant donné le coût important des annotations manuelles, et face à la nécessité pratique de résoudre ce problème de chute des performances de re-ID sur un nouveau domaine de test, cette thèse propose de s'intéresser à l'adaptabilité inter-domaines.

Re-Identification (re-ID) is a task of associating observations of the same instance. Re-ID is central to many applications of computer vision. Supervised Learning has been used to infer discriminative identity features for re-ID from a large number of images of instances whose identities have been manually annotated. However, the test domain commonly differs in practice from the training domain, when the re-ID system is deployed in a different context. However, a difference in domains caused by a change in location, for example, results in a drastic drop in re-ID performance on the test domain. Given the high cost of manual annotations, and the practical need to solve this problem of falling re-ID performance on a new test domain, this thesis proposes to focus on cross-domain adaptability.