Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

31 mai 2017

Géométrie stochastique pour l'apprentissage profond


Catégorie : Doctorant


L'apprentissage profond a provoqué une révolution technique dans de nombreux domaines, en particulier en analyse d'images et en vision par ordinateur. Ce succès soulève néanmoins de nombreux problèmes, aussi bien théoriques que pratiques. Parmi les premiers, on trouve la compréhension même des mécanismes qui permettent d'obtenir des résultats qui dépassent significativement l'état de l'art dans plusieurs disciplines. Parmi les deuxièmes, la nécessité de bases de données annotées de grande taille constitue un frein important à la diffusion de ces méthodes.

 

La thèse que nous proposons a pour but d’explorer dans quelle mesure la géométrie stochastique permet, d’une part, d'aider à comprendre les mécanismes internes des réseaux de neurones à convolution et, d’autre part, de faciliter l'apprentissage de modèles profonds en analyse d'images.

En effet, grâce à la géométrie stochastique on est en mesure de générer des bases d'images pratiquement illimitées pour l'apprentissage statistique. Ces modèles aléatoires ont fait leurs preuves en particulier dans le domaine de la modélisation de matériaux. Nous proposons ici de les utiliser pour avancer dans la compréhension des capacités de segmentation des réseaux de neurones à convolution. Nous pouvons, par exemple, étudier à partir de quel moment un réseau est capable de franchir un niveau d'abstraction, et de détecter des objets qui sont partiellement cachés.

Le travail sera réalisé au Centre de Morphologie Mathématique (CMM) de MINES ParisTech. Le CMM est un laboratoire pionnier dans le domaine de la géométrie stochastique. Cette discipline constitue un des principaux piliers de la morphologie mathématique. Le doctorant travaillera sous la direction de Bruno Figliuzzi, Santiago Velasco-Forero et Etienne Decencière.

Le candidat devra être titulaire d'un diplôme d'ingénieur ou de Master 2, avoir le goût des mathématiques et de la programmation.

Procédure de candidature :

Envoyer un CV, une lettre de motivation, et les notes des 2 dernières années d'études à Etienne.Decenciere@mines-paristech.fr

 

Dans cette rubrique

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