Amélioration des modèles de détection d’objets rares au sein d’images sonar par l’utilisation d'apprentissage actif et de modèles génératifs

Improvement of models for detecting rare objects in sonar images through the use of active learning and generative models

• Auteur / Autrice : Hugo Ruiz
• Direction : Marc Chaumont
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le ; Soutenance le 17/12/2025
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École Doctorale Information, Structures, Systèmes
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique, de Robotique et de Micro-électronique de Montpellier
• Partenaire(s) de recherche : Equipe de recherche : Département Informatique
• Jury : Président / Présidente : Géraldine Morin
• Jury : Examinateurs / Examinatrices : Marc Chaumont, Jérôme Pasquet, Sébastien Lefèvre
• Jury : Rapporteurs / Rapporteuses : Géraldine Morin, Sébastien Lefèvre

Mots clés

Mots clés libres

Détection d'objets

Imagerie sonar

Apprentissage profond

Modèle génératifs

Réseaux neurones

Adaptation de domaines

Objects detection

Sonar images

Deep learning

Generative models

Neural network

Domain adaptation

Résumé

Dans cette thèse appliquée au domaine de l'imagerie sonar, nous étudions la problématique de la détection automatique d'objets rares à partir de données visuelles sonar acquises en milieu sous-marin. L'objectif des travaux proposés est d'améliorer la précision des systèmes de détection basés apprentissage dans un contexte où les données réelles sont à la fois peu nombreuses, coûteuses à annoter et fortement variables. Pour ce faire, nous nous intéressons d'abord à l'intégration de stratégies d'apprentissage actif dans le cadre de la détection d'objets. Nous étudions notamment une méthode combinant des mesures d'incertitude avec des techniques de regroupement (clustering) afin de sélectionner de manière pertinente un sous-ensemble réduit mais informatif d'images à annoter. Cette approche vise à optimiser le processus d'annotation en maximisant l'utilité des données. newpara Nous explorons ensuite, en perspective, l'utilisation d'images sonar simulées, plus faciles à produire et à contrôler que les images réelles. Dans cette optique, nous proposons l'usage de modèles génératifs, tels que les réseaux antagonistes génératifs (GAN), pour rapprocher les représentations visuelles simulées des caractéristiques du domaine réel, tout en préservant les classes et localisation des objets d'intérêt. Cette stratégie permettrait d'exploiter efficacement des données synthétiques dans l'entraînement de détecteurs, malgré le décalage initial entre domaines. Les résultats expérimentaux obtenus mettent en évidence les difficultés liées au traitement de l'imagerie sonar, notamment en présence de variations inter-domaines marquées. Néanmoins, les approches proposées permettent d'améliorer les performances de détection tout en réduisant la dépendance à un grand volume d'annotations manuelles.

In this thesis, applied to the field of sonar imaging, we address the problem of automatic detection of rare objects from sonar visual data acquired in underwater environments. The objective of the proposed work is to improve the accuracy of learning-based detection systems in a context where real data is both scarce, costly to annotate, and highly variable. To this end, we first focus on the integration of active learning strategies within the object detection framework. In particular, we investigate a method that combines uncertainty-based measures with clustering techniques to select a relevant and informative subset of images for annotation. This approach aims to optimize the annotation process by maximizing the utility of the selected data. newpara We then explore, as a perspective, the use of simulated sonar images, which are easier to generate and control than real ones. In this context, we propose the use of generative models—such as Generative Adversarial Networks (GANs)—to bring simulated visual representations closer to the characteristics of the real domain, while preserving the classes and locations of the objects of interest. This strategy would enable the efficient exploitation of synthetic data for training detectors, despite the initial domain gap. The experimental results highlight the challenges associated with sonar image processing, particularly in the presence of strong inter-domain variations. Nevertheless, the proposed approaches lead to improved detection performance while reducing the dependency on large volumes of annotated data.