Vision équivariante en mode non supervisée et en présence d'une faible quantité de données

Equivariance in Vision for Unsupervised Low Data Regimes

• Auteur / Autrice : Sayan Chaki
• Direction : Thierry Fournel
• Type : Projet de thèse
• Discipline(s) : Image, vision, signal
• Date : Inscription en doctorat le 15/09/2022
• Etablissement(s) : Saint-Etienne, Université Jean Monnet (2025-....)
• Ecole(s) doctorale(s) : SIS - Sciences Ingénierie Santé
• Partenaire(s) de recherche : Laboratoire : LabHC - Laboratoire Hubert Curien

Mots clés

Mots clés libres

Intelligence Artificielle

Vision par ordinateur

Analyse de documents

Apprentissage automatique non supervisé

Equivariance

Artificial Intelligence

Computer Vision

Analysis of Documents

Unsupervised Machine Learning

Equivariance

Résumé

Le projet de thèse explore l'analyse non supervisée des ornements de livres historiques, en se concentrant sur les motifs issus des œuvres de l'éditeur du XVIIIe siècle Marc-Michel Rey. Il établit un pont entre les humanités numériques et l'apprentissage automatique, avec pour objectif de développer des méthodes computationnelles avancées pour détecter, classifier et comprendre les motifs complexes présents dans les documents historiques. Une réalisation clé du projet est la création d'un ensemble de données de référence spécialisé, qui soutient la recherche sur la découverte d'objets et la détection d'anomalies dans des données visuelles complexes. Le travail met l'accent sur l'innovation méthodologique, notamment par l'amélioration des modèles tels que SPAGMACE et l'intégration d'architectures équivariantes telles que les Spherical CNNs, conçues pour gérer efficacement les transformations. Ces avancées répondent aux défis uniques de l'apprentissage non supervisé dans le contexte de l'analyse des ornements historiques. Le projet a déjà donné lieu à une publication à l'ICDAR et vise à produire deux articles de recherche supplémentaires, ciblés pour une soumission à des conférences A* de premier plan. En combinant recherche bibliographique, développement de modèles et expérimentation pratique, cette thèse contribue à la fois à l'avancement des techniques d'apprentissage automatique et à la préservation et à l'étude du patrimoine culturel.

The thesis project explores the unsupervised analysis of historical book ornaments, focusing on designs from the 18th-century publisher Marc-Michel Rey. It bridges the fields of digital humanities and machine learning, aiming to develop advanced computational methods for detecting, classifying, and understanding intricate patterns in historical documents. A key achievement of the project is the creation of a specialized benchmark dataset, which supports research in object discovery and anomaly detection within complex visual data. The work emphasizes methodological innovation, including the enhancement of models like SPAGMACE and the integration of equivariant architectures such as Spherical CNNs, which are designed to handle transformations effectively. These advancements address the unique challenges of unsupervised learning in the context of historical ornament analysis. The project has already led to one publication in ICDAR and aims to produce two additional research papers targeted for submission to top-tier A* conferences. By combining bibliographic research, model development, and practical experimentation, this thesis contributes both to the advancement of machine learning techniques and the preservation and study of cultural heritage.