Direction de recherche : Ludovic DENOYER

Co-encadrement : ARTIÈRES Thierry

Apprendre avec une supervision faible à l'aide de réseaux génératifs profonds

Nombre des succès de l’apprentissage profond reposent sur la disponibilité de données massivement collectées et annotées, exploités par des algorithmes supervisés. Ces annotations, cependant, peuvent s’avérer difficiles à obtenir. La conception de méthodes peu gourmandes en annotations est ainsi un enjeu important, abordé dans des approches semi-supervisées ou faiblement supervisées. Par ailleurs ont été récemment introduits les réseaux génératifs profonds, capables de manipuler des distributions complexes et à l’origine d’avancées majeures, en édition d’image et en adaptation de domaine par exemple.
Dans cette thèse, nous explorons comment ces outils nouveaux peuvent être exploités pour réduire les besoins en annotations. En premier lieu, nous abordons la tâche de prédiction stochastique. Il s’agit de concevoir des systèmes de prédiction structurée tenant compte de la diversité des réponses possibles. Nous proposons dans ce cadre deux modèles, le premier pour des données multivues avec vues manquantes, et le second pour la prédiction de futurs possibles d’une séquence vidéo. Ensuite, nous étudions la décomposition en deux facteurs latents indépendants dans le cas où un seul facteur soit annoté. Nous proposons des modèles qui visent à retrouver des représentations latentes sémantiquement cohérentes de ces facteurs explicatifs. Le premier modèle est appliqué en génération de données de capture de mouvements, le second, sur des données multivues. Enfin, nous nous attaquons au problème, crucial en vision par ordinateur, de la segmentation d’image. Nous proposons un modèle, inspiré des idées développées dans cette thèse, de segmentation d’objet entièrement non supervisé.

Publications 2017-2020

• 2020
  • M. Chen : “Learning with Weak Supervision Using Deep Generative Networks”, soutenance de thèse, soutenance 02/07/2020, direction de recherche Denoyer, Ludovic, co-encadrement : Artières, Thierry (2020)
  • J.‑Y. Franceschi, E. Delasalles, M. Chen, S. Lamprier, P. Gallinari : “Stochastic Latent Residual Video Prediction”, Proceedings of the 37^th International Conference on Machine Learning, vol. 119, Proceedings of Machine Learning Research, Vienne, Austria, pp. 3233-3246, (PMLR) (2020)
• 2019
  • M. Chen, Th. Artières, L. Denoyer : “Unsupervised Object Segmentation by Redrawing”, Advances in Neural Information Processing Systems 32 (NIPS 2019), Vancouver, Canada, pp. 12705-12716, (Curran Associates, Inc.) (2019)
• 2018
  • Th. Artières, Q. Wang, M. Chen, L. Denoyer : “Adversarial learning for modeling human motion”, The Visual Computer, pp. 1-20, (Springer Verlag) (2018)
  • M. Chen, L. Denoyer, Th. Artières : “Multi-View Data Generation Without View Supervision”, 6^th International Conference on Learning Representations (ICLR 2018), Vancouver, Canada (2018)
  • Q. Wang, M. Chen, Th. Artières, L. Denoyer : “Transferring Style in Motion Capture Sequences with Adversarial Learning”, ESANN, Bruges, Belgium (2018)
  • M. Chen, L. Denoyer, Th. Artières : “Multi-View Data Generation Without View Supervision”, (2018)
• 2017
  • M. Chen, L. Denoyer : “Multi-view Generative Adversarial Networks”, ECML PKDD 2017, vol. 10535, ECML PKDD 2017: Machine Learning and Knowledge Discovery in Databases, Skopje, North Macedonia, pp. 175-188 (2017)