Thèse en cours

Apprentissage profond supervisé en présence d'annotations bruitées : application au contrôle non destructif
FR  |  
EN
Auteur / Autrice : Ichraq Lemghari
Direction : Sylvie Le hegarat
Type : Projet de thèse
Discipline(s) : Sciences du traitement du signal et des images
Date : Inscription en doctorat le 01/04/2022
Etablissement(s) : université Paris-Saclay
Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
Partenaire(s) de recherche : Laboratoire : Systèmes et applications des technologies de l'information et de l'énergie (Gif-sur-Yvette, Essonne ; 2002-....)
Equipe de recherche : MOSS - Méthodes et outils pour les Signaux et Systèmes
référent : Faculté des sciences d'Orsay

Résumé

FR  |  
EN

Le succès de l'apprentissage profond supervisé avec réseaux de neurones repose notamment sur l'existence de grands ensembles de données avec des labels bien annotés. Cependant, l'étiquettage (labelisation) de ces grands ensembles de données peut être coûteux et délicat rendant les labels peu nombreux, bruités ou imprécis. Dans le cadre des applications Contrôle Non Destructif (CND), généralement peu d'annotations fiables sont disponibles de part les difficultés intrinsèques de la tâche d'annotation elle-même même pour un opérateur entraîné, nuisant potentiellement aux performances et à la généralisation de l'apprentissage. Apprendre à partir d'étiquettes bruitées devient donc une tâche essentielle pour de telles applications, donnant lieu actuellement à des recherches actives. Afin de proposer de nouvelles solutions originales et mathématiquement fondées, le doctorant explorera différentes approches que l'apprentissage robuste, l'apprentissage avec des observations imprécises, les données floues, la théorie des fonctions de croyance et la modélisation a contrario.