Soutenance - Paul BERG

Soutenance de thèse - Paul BERGPaul BERG, en vue de l’obtention du grade de Docteur en Sciences et Technologies de l’Information et de la Communication, spécialité « Informatique et Architectures Numériques », présentera ses travaux intitulés : « Contributions à l’apprentissage de représentations en vision par ordinateur et télédétection » le 13 décembre à Vannes.

Date 13/12

Résumé

Contributions à l’apprentissage de représentations en vision par ordinateur et télédétection.

L'apprentissage profond est devenu un outil incontournable pour la résolution de tâches d’analyse d'images, notamment dans le domaine de la télédétection. En conséquence, les besoins en données annotées ont considérablement augmenté. Cependant, l'annotation de données peut être coûteuse en temps et en moyens. Ainsi, tout un champ de la littérature s'intéresse à l'apprentissage de représentations d'images en réduisant la dépendance aux annotations par des méthodes dites autosupervisées. Les représentations apprises sont ensuite exploitables pour des tâches de vision grâce à leur nature discriminante par rapport aux labels de la tâche finale. Dans ce contexte, nous évaluons dans cette thèse comment ces méthodes peuvent être exploitées dans le domaine de la télédétection en s'intéressant à des tâches telles que la classification de scène multimodale pour laquelle nous proposons une méthode d'apprentissage autosupervisé. Nous mettons à profit le problème du transport optimal pour modéliser certains problèmes et proposer des contributions méthodologiques à l'apprentissage contrastif. Finalement, nous proposons d'aller au-delà des espaces Euclidiens pour l'apprentissage de représentation en proposant une méthode de classification dans les espaces hyperboliques. Notre méthode qui est informée par la hiérarchie du jeu de données permet d'améliorer les performances en classification hiérarchique.

Mot clés : apprentissage de représentation, télédétection

Abstract

Contributions to representation learning in computer vision and remote sensing.

Deep Learning has become an ubiquitous tool for the resolution of image analysis tasks, notably in the remote sensing domain. As such, the need for annotated data have largely increased. But, annotating data can be costly and time consuming. Therefore, a whole field of the literature is dedicated to image representation learning by decreasing the dependence to annotations using so called self-supervised methods. The learnt representations are then usable in downstream tasks because of their discriminative nature with respect to the labels. In this context, we evaluate in this thesis how these methods can be exploited in the remote sensing domain by investigating tasks such as multi-modal scene classification for which we propose a self-supervised framework. We leverage the optimal transport problem to model several problems et propose new methodological contributions to contrastive learning. Finally, we propose to go beyond Euclidean spaces for representation learning by proposing a new classification method in hyperbolic spaces. Our method which is hierarchically-informed improves the performance in hierarchical classification.

Keywords: representation learning, remote sensing

Membres du jury

• DR Dino IENCO, rapporteur, Directeur de Recherche, INRAE, INRIA, ETIS
• DR Loic LANDRIEU, rapporteur, Directeur de Recherche, École Nationale des Ponts et Chaussées, LIGM UMR 8049
• Pr Nicolas COURTY, directeur de thèse, Professeur des Universités, Université Bretagne Sud, IRISA CNRS UMR 6074
• Dr Minh-Tan PHAM, encadrant de thèse, Maître de Conférences, Université Bretagne Sud, IRISA CNRS UMR 6074
• Dr Ewa KIJAK, membre du jury, Maître de Conférences, Université de Rennes, IRISA CNRS UMR 6074
• DR David PICARD, membre du jury, Directeur de Recherche, Université Gustave Eiffel, LIGM UMR CNRS 8049

Les travaux sont dirigés par Nicolas Courty et Minh-Tan Pham.

École doctorale MathSTIC Bretagne Océane N°644.

Informations pratiques

Vendredi 13 décembre à 14h

Amphithéâtre

ENSIBS

Vannes

Crédit photographique : ©Université Bretagne Sud. Service Communication