Soutenance de thèse de Alina Ciocarlan

Composition du jury :

Mme Sylvie Le Hégarat-Mascle, de l'Université Paris-Saclay/SATIE, Directrice de thèse

M. Sébastien Destercke, de l'UTC/Heudiasyc, Rapporteur

M. Ronan Fablet, de l'IMT Atlantique/Lab-STICC, Rapporteur

M. Sébastien Lefèvre, de l'Université de Bretagne Sud/IRISA, Rapporteur

Mme Céline Hudelot, de l'école Centrale Supélec/MICS, Examinatrice

M. Yann Gousseau, de Télécom Paris/LTCI, Examinateur

 

Mots clés : Paradigme a contrario, apprentissage auto-supervisé, YOLO, segmentation sémantique

 

Résumé :

La détection de petits objets dans les images infrarouges (IR) est une tâche complexe mais cruciale pour toutes les applications défense, surtout lorsqu'il s'agit de distinguer ces cibles d'un fond texturé. Les méthodes de détection d'objets classiques peinent à trouver un équilibre entre un taux de détection élevé et un faible taux de fausses alarmes. Bien que certaines approches aient amélioré les réponses des cartes de caractéristiques pour les petits objets, elles restent tout de même sensibles aux fausses alarmes induites par les éléments du fond. Pour résoudre ce problème, la première partie de cette thèse introduit un critère de décision a contrario dans l'entraînement des réseaux de neurones. Cette méthode statistique améliore les réponses des cartes de caractéristiques tout en contrôlant le nombre de fausses alarmes (NFA) et peut être intégrée dans n'importe quel réseau de segmentation sémantique. Le module NFA améliore la détection des petits objets et renforce la robustesse dans des contextes d'apprentissage frugal en données. Cependant, les réseaux de segmentation peuvent entraîner une fragmentation des objets, causant ainsi des fausses alarmes et faussant les métriques de comptage. Pour atténuer cela, le critère a contrario a été intégré dans la tête de détection d'un YOLO.
La deuxième partie de la thèse aborde les défis posés par le manque de données annotées grâce à l'apprentissage auto-supervisé (SSL). Nous avons réalisé une étude des catégories de SSL existantes, en mettant l'accent sur les méthodes adaptées à la détection de petits objets. Nous avons ensuite évalué plusieurs stratégies SSL sur différents jeux de données, y compris les datasets de détection de petites cibles en IR. Cette étude nous permet de proposer une feuille de route pour aider à la sélection d'une stratégie de SSL adéquate selon plusieurs paramètres. Enfin, la combinaison du SSL et du paradigme a contrario a donné des résultats impressionnants sur la détection de petites cibles en IR.