Apprentissage profond supervisé en présence d'annotations bruitées : application au contrôle non destructif

Deep Supervised Learning with Noisy Annotations: application to NDT

• Auteur / Autrice : Ichraq Lemghari
• Direction : Sylvie Le Hégarat
• 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'Energie
• Partenaire(s) de recherche : Equipe de recherche : MOSS - Méthodes et outils pour les Signaux et Systèmes
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Apprentissage profond

Annotations bruitées

Traitement d'images

Deep Learning

Noisy annotations

Image processing

Résumé

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.

The success in many fields of supervised learning with deep neural networks implies the collection of large datasets with well-annotated labels. However, it is extremely expensive and time-consuming to label extensive data with high-quality annotations. In the context of NDT applications, few annotations are usually available and they are often noisy due to intrinsic difficulties of the annotation task itself even for a trained operator. This could potentially result in poor generalization performance. Learning from noisy labels is thus becoming an important task in modern deep learning applications and it is nowadays a subject of great interest. While being a very active research topic, the problem is far from being solved (cf. the very recent survey [1]). In order to propose novel solutions, the PhD candidate will potentially span across different topics such as robust training, learning with imprecise observations, fuzzy data, evidential theory and a-contrario modeling