Les progrès rapides des modèles basés sur l'apprentissage profond ont permis d'obtenir des résultats remarquables en matière d'apprentissage supervisé dans divers domaines, notamment les diagnostics médicaux, l'observation de la terre et la robotique. Les techniques d'apprentissage automatique et d'apprentissage profond sont largement appliquées, notamment dans le domaine du patrimoine, où des méthodes par fluorescence X et par imagerie hyperspectrale sont employées pour analyser des œuvres d'art. Dans ce domaine comme dans d'autres, il est essentiel d'évaluer la fiabilité et l'efficacité de ces systèmes avant leur mise en œuvre pratique, compte tenu notamment des incertitudes engendrées par la très grande variabilité du monde réel. Les réseaux de neurones sont utilisés en partant du principe que la distribution des données de test est similaire à celle des données d'apprentissage. Cependant, cette hypothèse peut-être mise à mal dans la réalité, ce qui entraîne diverses erreurs. La détection de données hors-distribution (OoD) vise à prévenir ces erreurs en identifiant les changements dans la distribution du test. La détection d'OoD a été bien explorée dans la littérature pour la classification multi-classes, mais elle a été peu considérée pour la classification multi-labels. Cette thèse vise à combler cette lacune en fournissant des méthodes efficaces de détection des erreurs et des garanties de fiabilité dans le contexte de la classification multi-labels. Ce contexte est plus difficile que celui de la classification multi-classes en raison des frontières complexes entre les classes et de la nécessité de prendre en compte conjointement les informations provenant de différentes étiquettes. L'application de ces méthodes est particulièrement pertinente dans le contexte de l'analyse non-destructive et de la conservation des œuvres d'art. Cette thèse vise à développer des solutions efficaces pour contrôler la validité des méthodes de classification de pigments basée sur des données d'imagerie par fluorescence X ou hyperspectrale.
Plus d’informations :
[Site web ADUM]