VEDECOM a le plaisir de vous annoncer que Florent Chiaroni, a soutenu avec succès sa thèse intitulée « Apprentissage faiblement supervisé dans le contexte de la perception du véhicule à conduite déléguée ».
La soutenance a eu lieu le lundi 3 février 2020, à Centrale Supelec.
JURY
Yap-Peng TAN, Professeur, Nanyang Technological University (NTU), Singapore – Rapporteur
Hichem SAHBI, Chargé de recherche CNRS (HDR), UPMC Sorbonne Université (LIP6) – Rapporteur
Jean-Luc DUGELAY, Professeur, EURECOM – Examinateur
Samia BOUCHAFA, Professeur, Université d’Evry Val-d’Essonne (IBISC) – Examinateur
Camille COUPRIE, Chercheur, FACEBOOK (FAIR) – Examinateur
Frédéric DUFAUX, Directeur de recherche CNRS, CentraleSupelec (L2S) – Directeur de thèse
Mohamed-Cherif RAHAL, Chercheur, Institut VEDECOM – Co-encadrant (référent VEDECOM)
Nicolas HUEBER, Chercheur, Institut Saint-Louis Franco-Allemand ISL (ELSI) – Co-encadrant
Féthi BEN OUEZDOU, Professeur, Université de Versailles Saint-Quentin en Yvelines (LISV) – Invité
RESUME
Dans le contexte de la perception du véhicule à conduite déléguée, l’intérêt de la communauté pour les méthodes d’apprentissage profond n’a cessé d’augmenter pendant ces deux dernières décennies. Cela du fait que ces techniques fournissent les meilleures performances de prédiction de l’état de l’art actuel, pour plusieurs tâches de vision par ordinateur, tout en ne nécessitant que des capteurs visuels de faible coût. Ces méthodes peuvent fournir, par exemple depuis une caméra monoculaire, des informations sémantiques riches concernant les obstacles de formes complexes rencontrées dans des scénarios de conduite déléguée. Cependant, obtenir les meilleures performances en prédiction de l’état l’art demande souvent un grand nombre de données manuellement labélisées, provenant du cas d’application ciblé. Le problème est que la labélisation manuelle a un coût non négligeable. En revanche, dans le contexte d’un véhicule équipé de capteurs, les données non labélisées peuvent, elles, être obtenues plus facilement. Il se trouve qu’une catégorie de méthodes d’apprentissage, dites faiblement supervisées, permettent d’exploiter directement des données partiellement labélisées. Ainsi, notre objectif dans cette thèse est de réduire au possible le besoin en données manuellement labélisées en proposant des méthodes dites faiblement supervisées.
Notre travail présente tout d’abord un type de méthodes d’apprentissage dites auto-supervisées. Elles consistent à substituer les données manuellement labélisées par des méthodes capable de générer automatiquement en amont des labels d’entraînement exploitables. Les techniques d’apprentissage auto-supervisées ont prouvé leur utilité dans le passé pour l’évitement d’obstacles et la planification de trajectoires à travers des environnements changeants, en apprenant lors de la phase d’application. Plus récemment, elles ont aussi été appliquées pour l’estimation de cartes de profondeurs, la segmentation de routes goudronnées, et pour le suivi et la segmentation d’obstacles en mouvement. Cependant, les méthodes auto-supervisées laissent encore la porte ouverte pour la détection, la segmentation, et la classification des obstacles statiques potentiellement mobiles. Par exemple, ces derniers peuvent être des voitures arrêtées à une intersection, ou des piétons attendant de traverser. En conséquence, nous proposons dans cette thèse trois nouvelles approches faiblement supervisées, avec l’objectif final de percevoir de tels usagers de la route en utilisant un système auto-supervisé.
Les deux premières contributions de ce travail ont pour objectif de répondre au problème de classification d’images partiellement labélisées, de telle sorte que l’effort de labélisation peut être focalisé exclusivement sur notre classe d’intérêt, la classe positive. Ensuite, nous proposons une approche pouvant traiter des données d’entraînement possédant une grande fraction de faux labels. Ensuite, nous proposons de démontrer le potentiel de telles méthodes de classification d’image faiblement supervisées pour les deux applications réelles suivantes : détection et segmentation des obstacles potentiellement mobiles.
Enfin, nous présentons une conclusion sur ce travail de recherche de doctorat, suivie par des perspectives de recherches futures.
