Thèse soutenue

Réseaux de neurones profonds pour la classification d’objets en imagerie infrarouge : apports de l’apprentissage à partir de données synthétiques et de la détection d’anomalies
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Antoine d' Acremont
Direction : Alexandre BaussardRonan Fablet
Type : Thèse de doctorat
Discipline(s) : Signal, image, vision
Date : Soutenance le 07/12/2020
Etablissement(s) : Brest, École nationale supérieure de techniques avancées Bretagne
Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
Partenaire(s) de recherche : Laboratoire : Laboratoire en sciences et techniques de l'information, de la communication et de la connaissance
Entreprise : MBDA France
Jury : Président / Présidente : Pierre Beauseroy
Examinateurs / Examinatrices : François Rousseau, Véronique Serfaty, Guillaume Quin, Thierry Vallas
Rapporteurs / Rapporteuses : Antoine Manzanera, Bertrand Le Saux

Résumé

FR  |  
EN

Les performances des technique d’apprentissage profond et plus particulièrement les réseaux de neurones convolutifs, ou CNN, sont conditionnés par la taille et la qualité des bases de données d’entrainement. Dans un contexte comme celui de l’identification de véhicules militaires dans des images infrarouges, il est difficile de constituer de telles bases d’apprentissage. Pour y remédier, il est possible d’utiliser la simulation pour générer ces ensembles de données. Cependant, les architectures issues de l’état de l’art généralisent mal sur des données réelles après un entrainement sur données simulées. Dans cette thèse, nous proposons un réseau convolutif spécifique, appelée cfCNN, qui permet d’obtenir de meilleures performances que les modèles de l’état de l’art que nous avons testés. Nous supposons que les images qui lui seront présentées seront issues d’un module de détection qui peut être imparfaite. Nous évaluons donc la robustesse du cfCNN face à des translations et des changements d’échelle de la cible dans l’image d’entrée. Face à ces perturbations, le cfCNN montre une meilleure robustesse par rapport à des réseaux convolutifs issus de l’état de l’art. Pour améliorer la confiance dans les prédictions du cfCNN, nous proposons un module de détection d’anomalies de classification, basé sur le Local Outlier Factor. Cette approche montre de bonnes performances sur des données d’entrainement et de test homogènes. Cependant elle est moins performante pour un problème de transfert entre des données simulées et réelles. Pour compenser cette baisse de performance nous proposons alors un schéma en cascade qui exploite les informations issues de différentes couches du cfCNN.