Adaptation de domaine multisource sur données déséquilibrées : application à l'amélioration de la sécurité des télésièges - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2019

Multi-source domain adaptation on imbalanced data : application to the improvement of chairlifts safety

Adaptation de domaine multisource sur données déséquilibrées : application à l'amélioration de la sécurité des télésièges

Kevin Bascol
  • Fonction : Auteur

Résumé

Bluecime has designed a camera-based system to monitor the boarding station of chairlifts in ski resorts, which aims at increasing the safety of all passengers. This already successful system does not use any machine learning component and requires an expensive configuration step. Machine learning is a subfield of artificial intelligence which deals with studying and designing algorithms that can learn and acquire knowledge from examples for a given task. Such a task could be classifying safe or unsafe situations on chairlifts from examples of images already labeled with these two categories, called the training examples. The machine learning algorithm learns a model able to predict one of these two categories on unseen cases. Since 2012, it has been shown that deep learning models are the best suited machine learning models to deal with image classification problems when many training data are available. In this context, this PhD thesis, funded by Bluecime, aims at improving both the cost and the effectiveness of Bluecime's current system using deep learning.
Bluecime a mis au point un système de vidéosurveillance à l'embarquement de télésièges qui a pour but d'améliorer la sécurité des passagers. Ce système est déjà performant, mais il n'utilise pas de techniques d'apprentissage automatique et nécessite une phase de configuration chronophage. L’apprentissage automatique est un sous-domaine de l'intelligence artificielle qui traite de l'étude et de la conception d'algorithmes pouvant apprendre et acquérir des connaissances à partir d'exemples pour une tâche donnée. Une telle tâche pourrait consister à classer les situations sûres ou dangereuses dans les télésièges à partir d'exemples d'images déjà étiquetées dans ces deux catégories, appelés exemples d’entraînement. L'algorithme d'apprentissage automatique apprend un modèle capable de prédire la catégories de nouveaux cas. Depuis 2012, il a été démontré que les modèles d'apprentissage profond sont les modèles d'apprentissage machine les mieux adaptés pour traiter les problèmes de classification d'images lorsque de nombreuses données d’entraînement sont disponibles. Dans ce contexte, cette thèse, financée par Bluecime, vise à améliorer à la fois le coût et l'efficacité du système actuel de Bluecime grâce à l'apprentissage profond.
Fichier principal
Vignette du fichier
These-Kevin-Bascol-2019.pdf (17.94 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-02497272 , version 1 (03-03-2020)

Identifiants

  • HAL Id : tel-02497272 , version 1

Citer

Kevin Bascol. Adaptation de domaine multisource sur données déséquilibrées : application à l'amélioration de la sécurité des télésièges. Intelligence artificielle [cs.AI]. Université de Lyon, 2019. Français. ⟨NNT : 2019LYSES062⟩. ⟨tel-02497272⟩

Collections

STAR PARISTECH
180 Consultations
25 Téléchargements

Partager

Gmail Facebook X LinkedIn More