Towards Few-Annotation Learning in Computer Vision : Application to Image Classification and Object Detection tasks - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Towards Few-Annotation Learning in Computer Vision : Application to Image Classification and Object Detection tasks

Vers un apprentissage avec peu d’annotations en vision par ordinateur : Application à la classification et à la détection d’objets dans les images

Quentin Bouniot

Résumé

In this thesis, we develop theoretical, algorithmic and experimental contributions for Machine Learning with limited labels, and more specifically for the tasks of Image Classification and Object Detection in Computer Vision. In a first contribution, we are interested in bridging the gap between theory and practice for popular Meta-Learning algorithms used in Few-Shot Classification. We make connections to Multi-Task Representation Learning, which benefits from solid theoretical foundations, to verify the best conditions for a more efficient meta-learning. Then, to leverage unlabeled data when training object detectors based on the Transformer architecture, we propose both an unsupervised pretraining and a semi-supervised learning method in two other separate contributions. For pretraining, we improve Contrastive Learning for object detectors by introducing the localization information. Finally, our semi-supervised method is the first tailored to transformer-based detectors.
Nous développons dans cette thèse des contributions théoriques, algorithmiques et expérimentales pour l’apprentissage automatique avec peu d'annotations, et plus spécifiquement pour les tâches de classification d’images et de détection d’objets en vision par ordinateur. Dans une première contribution, nous nous intéressons à combler le fossé entre la théorie et la pratique concernant les algorithmes de méta-apprentissage les plus répandus, utilisés pour de la classification avec peu d’exemples. Nous établissons des liens avec l’apprentissage de représentation multi-tâches, qui bénéficie de bases théoriques solides, afin de vérifier les meilleures conditions amenant à un méta-apprentissage plus efficace. Ensuite, afin d’exploiter les données non étiquetées pour entraîner des détecteurs d’objets basés sur l’architecture Transformer, nous proposons à la fois un pré-entraînement non supervisé et une méthode d’apprentissage semi-supervisée dans deux autres contributions distinctes. Pour le pré-entraînement, nous améliorons l’apprentissage contrastif des détecteurs d’objets en introduisant les informations de localisation. Enfin, notre méthode semi-supervisée est la première adaptée aux détecteurs d’objets utilisant des modèles type Transformers.
Fichier principal
Vignette du fichier
These-Bouniot-Quentin-2023.pdf (20.41 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04509908 , version 1 (18-03-2024)

Identifiants

  • HAL Id : tel-04509908 , version 1

Citer

Quentin Bouniot. Towards Few-Annotation Learning in Computer Vision : Application to Image Classification and Object Detection tasks. Machine Learning [cs.LG]. Université Jean Monnet - Saint-Etienne, 2023. English. ⟨NNT : 2023STET0009⟩. ⟨tel-04509908⟩
16 Consultations
4 Téléchargements

Partager

Gmail Facebook X LinkedIn More