Soutenance de thèse d'Yuqing HU

Résumé : L’objectif de cette thèse est d’étudier l’un des défis les plus importants liés au développement de méthodes d’apprentissage automatique et profond. Notre recherche est menée dans le cadre où les modèles font des prédictions basées sur quelques exemples labélisés. En particulier, dans le contexte de la classification d’images, l’objectif de cette étude est d’apprendre un modèle capable de prédire correctement les labels de classe sur la base d’échantillons de données limités. Nous discutons d’abord de l’amélioration des performances avec l’évolution des méthodes d’apprentissage profond, et présentons la problématique de peu de données. Dans un deuxième temps, nous introduisons les  paramètres standards de cette problématique et présentons les méthodes de classification associées. Nous résumons un pipeline général pour s’y adresser. Ensuite, nous mettons en évidence nos contributions qui adressent chaque étape du pipeline, en proposant des méthodes adaptives sur les données d’images ciblées dont le nombre est limité par le coût de l’annotation. Enfin, nous tirons des conclusions de notre travail, ainsi que des discussions sur les nouveaux défis et les solutions potentielles liées au domaine.