Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

22 février 2017

Thèse à IMT Atlantique : Apprentissage distribué sur données compressées


Catégorie : Doctorant


Thèse sur l'apprentissage distribué sur données compressées (exemple d'application : analyse de données par des flottes autonomes de drones ou de robots)

Encadrants : Elsa Dupraz et Abdeldjalil Aïssa El Bey,
Lieu : IMT Atlantique (ex Télécom Bretagne), laboratoire Lab-STICC, Brest

 

Contexte

Parmi les nombreux usages des drones développés ces dernières années, on trouve la mise en place de flottes de drones autonomes dédiées à des tâches d'observation particulières. Ces flottes de drones peuvent par exemple être utilisées pour la détection d'accidents comme des mouvements de foules dans des événements de grande ampleur, mais aussi pour de la construction de plans de bâtiments ou de cartes géographiques. Dans ce contexte, les drones sont équipés de capteurs (caméras classiques et thermiques, GPS, radars, etc.), et leur capacité à communiquer les autorise à s'échanger les données mesurées par leurs capteurs. L'exploitation de la diversité des données collectées par les différents éléments de la flotte devrait permettre de réaliser des tâches complexes de traitement de l'information. Pour augmenter l'autonomie en vol des drones, on souhaite cependant minimiser la consommation d'énergie nécessaire à la réalisation de ces tâches, due à la communication de données entre drones et aux opérations de calcul.

Motivations

Les tâches de traitement de l'information habituellement affectées aux drones s'appuient sur des méthodes d'apprentissage connues. Par exemple, la détection d'événements utilisera des techniques de classification, tandis que la construction de cartes sera mise en oeuvre à partir d'algorithmes de clustering et de recherche de plus proches voisins. Pour s'attaquer à des problèmes complexes de traitement de l'information, il est donc nécessaire d'étudier dans un premiers temps les méthodes d'apprentissage dans un contexte distribué.

Ici, nous allons donc modéliser la flotte de drones par un réseau de capteurs qui doivent s'échanger des informations pour réaliser une tâche d'apprentissage donnée. Le réseau devra fonctionner de manière complètement décentralisée, sans l'intervention d'un centre de fusion des données qui serait difficile à mettre en place dans un tel contexte. Nous souhaiterions effectuer le tâche d'apprentissage en minimisant les échanges de données entre capteurs, de manière à réduire leur consommation d'énergie. Pour cela, les capteurs s'échangent en général leurs données sous une forme compressée, ce qui implique de décompresser les données à la réception avant d'effectuer la tâche d'apprentissage. Ici, nous proposons cependant d'effectuer la tâche d'apprentissage directement sur les données compressées, pour éviter les opérations complexes de décompression, et éventuellement réduire encore davantage la quantité de données échangées par les capteurs.

Objectifs

Les travaux de recherche existants sur l'apprentissage sur des données compressées sont récents et n'ont jusqu'à maintenant pas encore considéré le contexte distribué. Pour répondre à cela, les objectifs de la thèse seront les suivants :

  1. En utilisant la modélisation par un réseau de capteurs, proposer des systèmes d'apprentissage (classification, clustering, recherche de plus proches voisins, etc.) qui fonctionnent de manière distribuée et sur des données compressées.
  2. Étudier la performance en termes de qualité d'apprentissage des systèmes proposés, et déterminer s'ils permettent effectivement de réduire la consommation d'énergie ainsi que la quantité de données échangées sur le réseau.
  3. Combiner les algorithmes proposés pour traiter des problèmes distribués plus complexes comme la détection d'événements ou la construction de cartes de bâtiments.

Comment candidater

Le candidat devra avoir des connaissances solides en mathématiques, ainsi qu'en traitement de signal ou en codage de sources. Pour candidater, merci d’envoyer un email à elsa.dupraz@imt-atlantique.fr en expliquant les motivations pour le sujet, et en joignant un CV, un relevé de notes, et éventuellement une lettre de recommandation.

La thèse étant financée en partie par la DGA, merci de vérifier la compatibilité avec les critères imposés par la DGA avant de candidater (voir https://www.ixarm.com/Theses-relevant-de-l-accord-DGA, section "Conditions d'accès'').

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2015.