Soutenance de thèse de Maxime OSSONCE

Composition du jury :

M. Patrick BAS, du laboratoire CRISTAL, rapporteur 

M. Antoine MANZANERA, du laboratoire U2IS de l'ENSTA, rapporteur

M. Nicolas AUDEBERT, du laboratoire  LASTIG, de l'IGN, examinateur

Mme Johanne COHEN, du laboratoire LISN, examinatrice 

Mme Aline ROUMY, de l' INRIA, examinatrice

 

Mots clés : Tatouage numérique d’image, détection de données hors-distribution, apprentissage profond, auto-encodage variationnel

 

La soutenance sera également diffusée sur teams :

URL de la salle virtuelle de soutenance ouverte au public : https://teams.microsoft.com/l/meetup-join/19%3ameeting_M2Y1ODA2N2MtM2JmNi00OTAwLTgyZDQtYzNlNmU4NDA4ZDA2%40thread.v2/0?context=%7b%22Tid%22%3a%22c9d58409-fb36-4f2a-9a45-f8f1094707b1%22%2c%22Oid%22%3a%224e579c16-9e94-4c6e-a72f-8686389e1052%22%7d

 

 

Résumé :

Cette thèse s’articule en deux parties. Dans la première partie, le problème du tatouage d’images robuste aux distorsions géométriques est adressé ; dans la seconde, on s’intéresse à la détection d’éléments hors-distribution pour la classification par réseaux de neurones. La première partie propose un schéma de tatouage d’image aveugle à débit zéro visant la protection discrète des œuvres photographiques, conçu pour résister aux distorsions géométriques et au cycle impression/numérisation (P/S). L’idée centrale est d’opérer dans un domaine invariant tractable : la marque est insérée et détectée via la moyenne radiale du spectre d’amplitude, ce qui rend l’incrustation additive sur le module de la transformée de Fourier et simplifie toute la chaı̂ne. Cette simplification permet ensuite une mise en forme du signal optimisée par théorie des jeux, conformément au principe de Cox (incruster la marque de tatouage sur des composantes perceptuellement significatives) afin de maximiser la robustesse sous contrainte d’imperceptibilité. L’ensemble cadre ainsi un pipeline efficace : choix de bande fréquentielle utile, corrélation et seuillage en détection, et robustesse démontrée face aux attaques géométriques et de type P/S. Dans la deuxième partie, l’on s’intéresse à la détection de données hors-distribution dans la classification par réseaux de neurones. Les données hors-distribution sont des données issues d’une loi de probabilité différente de celle qui gouverne les données utilisées pour l’entraı̂nement du classifieur. La décision rendue par le classifieur sur ces données n’est pas pertinente : il est ainsi nécessaire de les détecter comme telles pour assurer la fiabilité du système. Dans une première approche, nous structurons l’espace latent d’un auto-encodeur pour effectuer la classification et la détection d’hors-distribution par une estimation de la vraisemblance de l’entrée conditionnée aux différentes classes à détecter. Afin d’améliorer la séparation des données hors-distribution dans l’espace latent de l’auto-encodeur, nous proposons ensuite une méthode d’ajustement fin du modèle sur le lot à tester. Les performances de la méthode sont évaluées et comparées aux méthodes de l’état de l’art de détection de données hors-distribution ainsi que dans le cadre plus large de la classification sélective avec détection de données hors-distribution (SCOD).