Optimisation de l'efficacité et de l'interprétabilité : Une concentration sur les architectures de modèles computationnels

Optimizing Efficiency and Interpretability in Visual Computing: A Focus on Computational Model Architectures

• Auteur / Autrice : Lincen Bai
• Direction : Hedi Tabia
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 12/11/2023
• 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 : IBISC - Informatique, BioInformatique, Systèmes Complexes
• Partenaire(s) de recherche : Equipe de recherche : IRA2: Interactions, Réalité virtuelle & Augmentée, Robotique Ambiante
• Partenaire(s) de recherche : Référent : Université d'Évry-Val-d'Essonne (1991-....)

Mots clés

Mots clés libres

Efficacité

Architectures de Modèles de réseaux de neurones

Comparaison multicritère

Efficiency

Computational Model Architectures

Multi-Criteria Comparison

Résumé

Le domaine de la vision par ordinateur a connu des progrès notables grâce à l'intégration de techniques computationnelles avancées telles que les réseaux de neurones. Cependant, avec la complexité croissante des tâches, les modèles sont devenus plus complexes, posant des défis en termes d'efficacité et d'interprétabilité. La prolifération des dispositifs d'imagerie haute résolution et la demande croissante de traitement en temps réel soulignent le besoin urgent de modèles informatiques visuels à la fois efficaces et interprétables. Malgré la puissance des architectures traditionnelles, elles souffrent souvent de coûts computationnels élevés et d'un manque de transparence dans les processus décisionnels. Ce projet est dédié à relever ces défis en se concentrant sur l'optimisation des architectures de modèles computationnels, avec un accent sur l'amélioration de l'efficacité et de l'interprétabilité. Notre approche englobe à la fois des stratégies qualitatives et quantitatives. Les performances du modèle proposé seront présentées à l'aide de tests de référence, et l'évaluation comprendra une comparaison multi-critères approfondie. Cette comparaison inclura la précision, le temps d'inférence, l'importance des caractéristiques et le nombre de paramètres en tant que principaux indicateurs.

The field of computer vision has witnessed notable progress through the integration of advanced computational techniques such as convolutional neural networks. However, with the increasing complexity of tasks, the models have become more intricate, posing challenges in terms of efficiency and interpretability. The surge in high-resolution imaging devices and the growing demand for real-time processing underline the urgent need for visual computing models that are both efficient and interpretable. Despite the power of traditional architectures, they often suffer from high computational costs and a lack of transparency in decision-making processes. This project is dedicated to addressing these challenges by concentrating on optimizing computational model architectures, with a focus on enhancing efficiency and improving interpretability. Our approach encompasses both qualitative and quantitative strategies. The proposed model's performance will be showcased using benchmark tests, and the evaluation will involve a comprehensive multi-criteria comparison. This comparison will include accuracy, inference time, feature importance, and the number of parameters as key metrics.