Soutenance HDR - Minh-Tân PHAM

Présentation HDR - Minh-Tân PHAMMinh-Tân PHAM, Maître de Conférences (CNU 27), présentera ses travaux en vue de l’Habilitation à Diriger des Recherches en Sciences et Technologies de l’Information et de la Communication « Contributions à l’apprentissage efficace des étiquettes en vision par ordinateur et en télédétection », vendredi 6 juin à Vannes.

Date 06/06

Résumé

« Contributions à l’apprentissage efficace des étiquettes en vision par ordinateur et en télédétection ».

Au cours des dernières années, l’apprentissage profond a rapidement émergé et atteint des performances d’état de l’art dans de nombreux domaines, y compris la vision par ordinateur et la télédétection. Cependant, son succès repose fortement sur la disponibilité de grands ensembles de données annotées (labels), qui sont très coûteux et difficiles à obtenir. Ce défi est particulièrement important dans le domaine de l’observation de la Terre et de l’environnement, où l’annotation nécessite une expertise spécifique et est compliquée par la variabilité des données. Ce manuscrit d’HDR présente une sélection de mes contributions à l’apprentissage efficace en termes de labels en vision par ordinateur et en télédétection, réalisées au sein de l’équipe OBELIX à l’IRISA. L’objectif central est de développer des méthodes capables d’apprendre efficacement à partir de données limitées ou partiellement annotées, tout en exploitant l’abondance de données non-annotées dans des applications réelles. Le manuscrit repose sur quatre axes principaux : (1) l’apprentissage faiblement supervisé pour la découverte et la détection d’objets ; (2) l’apprentissage multi-tâches partiellement supervisé à partir de plusieurs jeux de données ; (3) l’apprentissage auto-supervisé avec des données d’images multimodales ; et (4) l’apprentissage avec peu d’exemples (few-shot) pour la classification avec des labels hiérarchiques. Ces contributions sont appuyées par des résultats expérimentaux approfondis sur des jeux de données d’images naturelles et de télédétection. Le manuscrit se conclut par une présentation de mes axes de recherche actuels et futurs.

Mots clés : vision par ordinateur, télédétection, apprentissage profond, observation de la Terre, apprentissage faiblement supervisé, apprentissage auto-supervisé, apprentissage multi-tâches, apprentissage en few-shot

Abstract 

« Contributions to label-efficient learning in computer vision and remote sensing »

In recent years, deep learning has rapidly emerged and achieved state-of-the-art performance in many domains, including computer vision and remote sensing. However, its success heavily relies on the availability of large annotated datasets, which are often costly and difficult to obtain. This challenge is particularly significant in the field of Earth and environmental observation, where annotation requires expert knowledge and is further complicated by the high variability of remote sensing data. This HDR manuscript presents a selection of my contributions to label-efficient learning in computer vision and remote sensing, conducted within the OBELIX team at IRISA. The central focus is to develop and adapt methods capable of learning effectively from limited or partially annotated data, while leveraging the abundance of unlabelled data in real-world applications. The manuscript includes four main axes: (1) weakly supervised learning for object discovery and detection using anomaly-aware representations; (2) multi-task partially supervised learning from multiple datasets with disjoint annotations; (3) self-supervised learning with multimodal image data; and (4) few-shot learning for scene classification with hierarchical labels. These contributions are supported by extensive experimental results on both natural and remote sensing image datasets, reflecting the outcomes of several collaborative research projects. The manuscript concludes by outlining my current and future research directions for the coming years.

Keywords: computer vision, remote sensing, deep learning, Earth observation, weakly supervised learning; self-supervised learning; multi-task learning; few-shot learning

Membres du jury

• Pr Céline HUDELOT, rapporteur, Professeure des Universités, CentraleSupelec
• Pr Jocelyn CHANUSSOT, rapporteur, Professeur des Universités, Université Grenoble Alpes, Grenoble INP INRIA
• Pr Begüm DEMIR, rapporteur, Professeure des Universités, Université Technique de Berlin
• Pr Olivier LÉZORAY, membre du jury, Professeur des Universités, Université de Caen Normandie
• Pr Alexandre BENOIT, membre du jury, Professeur des Universités, Université de Savoie Mont Blanc
• Pr Sébastien LEFÈVRE, Garant, Professeur des Universités, Université Bretagne Sud, IRISA CNRS UMR 607

Informations pratiques

Vendredi 6 juin à 14h

Amphithéâtre Yves Coppens

Faculté Sciences & Sciences de l'Ingénieur

Vannes

Crédit photographique : ©Université Bretagne Sud. Service Communication