Vers des systèmes neuronaux fiables et à faible empreinte de calcul pour la détection d'objets 3D hors visible

Towards reliable and computationally lightweight neural systems for 3D object detection beyond visible range

• Auteur / Autrice : Simon Berthoumieux
• Direction : Nicolas Gac
• Type : Projet de thèse
• Discipline(s) : Sciences du traitement du signal et des images
• Date : Inscription en doctorat le 01/10/2024
• 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

Intelligence Artificielle

Recherche d'Architectures Neuronales

Réseaux de neurones auxiliaires

Mémoire résistive

Apprentissage

Estimation d'incertitudes

Artificial Intelligence

Neural Architecture Search

Auxiliary neural network

Resitive memory

Machine learning

Uncertainty estimation

Résumé

Pour les systèmes de transports publics à grande échelle, l'élément le plus difficile à optimiser est souvent le flux de piétons qui se produit aux deux extrémités des trajets fréquents. Les politiques modernes de transport ferroviaire ou aérien doivent intégrer pleinement la gestion des piétons et faire face à leur nature complexe, ainsi qu'à un large éventail d'événements imprévisibles affectant directement le comportement des piétons. Du point de vue de la vie privée, un des enjeux majeurs actuels est de s'appuyer sur des capteurs avec une résolution suffisamment faible pour ne pas permettre la (ré)identification des personnes ou l'analyse biométrique, ainsi que sur des modalités de détection supplémentaires anonymisées par conception (e.g., IR low-cost, radar à ondes mm, LIDAR, caméra événementielle). Un autre aspect qui nous parait important est de disposer en sortie du réseau d'une mesure de confiance, d'une part par rapport à la criticité de l'application, et d'autre part par rapport au potentiel de fusion multimodale que serait grandement facilitée. Le capteur sur lequel nous avons décide de nous concentrer l'attention est le capteur LIDAR. Le traitement embarqué de ce type de données préservant également la vie privée est une direction de recherche très prometteuse et actuellement peu explorée, qui devrait faciliter son déploiement. La proposition est structurée autour de trois parties avec une prise de risque progressive, correspondant globalement à trois ans de recherche doctorale.

For large-scale public transportation systems, the most challenging aspect to optimize is often the pedestrian flow occurring at both ends of frequent routes. Modern rail or air transport policies must fully integrate pedestrian management and deal with their complex nature, as well as a wide range of unpredictable events directly affecting pedestrian behavior. From a privacy perspective, one of the current major challenges is to rely on sensors with sufficiently low resolution to prevent (re)identification of individuals or biometric analysis, as well as on additional detection modalities anonymized by design (e.g., low-cost IR, mm-wave radar, LIDAR, event camera). Another important aspect we consider is to have a confidence measure output from the network, both regarding the application's criticality and the potential for greatly facilitated multimodal fusion. The sensor we have decided to focus our attention on is LIDAR. Embedded processing of this type of data while also preserving privacy is a very promising and currently underexplored research direction that should facilitate its deployment. The proposal is structured around three parts with progressively increasing risk-taking, corresponding roughly to three years of doctoral research.