Soutenance de thèse - Björn MICHELE

Soutenance de thèse - Björn MICHELEBjörn MICHELE, 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 : « Adaptation au domaine pour les données 3D », lundi 6 octobre à Paris.

Date 06/10

Résumé

Adaptation au domaine pour les données 3D.

La compréhension des nuages de points 3D capturés par les capteurs LiDAR est essentielle à la robustesse de la conduite autonome et de la robotique. Les réseaux neuronaux profonds atteignent des performances de pointe, mais dépendent de données annotées manuellement coûteuses et ne se généralisent typiquement pas correctement à d'autres domaines : Des changements dans les motifs LiDAR ou les conditions d’acquisition peuvent fortement réduire les performances. Cette thèse aborde la tâche d'adaptation au domaine qui consiste à surmonter les difficultés causées par ces changements de domaine dans trois co textes : (1) Adaptation au domaine sans supervision - encourager des caractéristiques invariantes du domaine par le biais d'une tâche d'estimation implicite de l'occupation. (2) Adaptation multimodale (paires LiDAR-image synchronisées) - identifier les ingrédients clés pour tirer parti avec succès de la distillation d'un modèle préexistant de vision pour cette tâche. (3) Adaptation au domaine sans supervision et sans source - prévenir la perte de performance par une adaptation régularisée et un critère d'arrêt non supervisé.

Mot clés :  Adaptation de domaine non supervisée, Données LiDAR 3D, Robustesse, Adaptation de domaine non supervisée sans source, Multimodalité.

Abstract

Domain adaptation for 3D data

Understanding 3D point clouds as captured by LiDAR sensors is central to robust autonomous driving and robotics. Deep neural networks achieve state-of-the-art performance but depend on costly human-annotated data and often fail to generalize across domains: changes in LiDAR patterns or acquisition conditions can sharply reduce performance. This thesis addresses the domain adaptation task of overcoming these domain shifts in three settings: (1) Unsupervised Domain Adaptation (UDA) - encourage domain-invariant features through an implicit occupancy estimation task. (2) Multimodal (synchronized LiDAR–image pairs) UDA - identify the key ingredients for successfully leveraging the distillation of vision foundation model for this task. (3) Source-free UDA - prevent performance drift via regularized adaptation and an unsupervised stopping criterion.

Keywords: Unsupervised Domain Adaptation, 3D LiDAR data, Robustness, Source-Free UDA, Multimodality.

Membres du jury

• Dr Jean-Emmanuel DESCHAUD, rapporteur, Chargé de Recherche HDR, Mines-Paris - Université PSL, Centre de Robotique (CAOR)
• Pr Céline HUDELOT, rapporteur, Professeure des Universités, Centrale Supélec - Université Paris Saclay - Laboratoire MICS
• Pr Nicolas COURTY, directeur de thèse, Université Bretagne Sud, IRISA CNRS UMR 6027
• Dr Alexandre BOULCH, co-directeur de thèse, Chercheur Principal, VALEO. AI
• Pr Rémi FLAMARY, membre du jury, Professeur à l'École Polytechnique, CMAP
• Dr Mathieu SALZMANN, membre du jury, Chercheur Principal, École Polytechnique Fédérale de Lausanne, Laboratoire de Vision par Ordinateur
• Dr Gabriela CSURKA, membre du jury, Chercheure Principale, Naver Labs Europe

Les travaux sont dirigés par Nicolas Courty et Alexandre Boulch

École doctorale MathSTIC Bretagne Océane N°644

Informations pratiques

Lundi 6 octobre à 14h

VALEO.AI

Sale Verte

100, rue de Courcelles

Paris

Crédit photographique : ©Université Bretagne Sud. Service Communication