Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Laboratoire de Mathématiques et Applications
Durée : 4 mois
Contact : farida.enikeeva@math.univ-poitiers.fr
Date limite de publication : 2023-03-20

Contexte :
La classification d’image est un problème classique de l’apprentissage supervisé. La qualité de décision prise par un algorithme d’apprentissage supervisé dépend beaucoup de la base d’apprentissage utilisée notamment du volume de données labelisées. Très souvent il est coûteux de constituer une base d’apprentissage solide, comme dans le domaine médical ou industriel présentant notamment une classe peu représentée. Dans ce cas il est quasiment impossible d’avoir un nombre suffisant d’observations dans la classe rare, et de plus, les classes de la base d’apprentissage seront très déséquilibrées. C’est donc important de savoir comment construire la base d’apprentissage en minimisant à la fois le coût et le taux d’erreur de classification. Nous proposons dans ce projet d’utiliser les méthodes d’apprentissage actif (active learning) pour pouvoir améliorer la qualité de classification en utilisant une base d’apprentissage de taille optimale. Plus précisément, on dispose d’une base relativement petite d’images étiquetées. On a l’accès à la décision d’un expert qui peut valider une ou plusieurs étiquettes d’images données et on peut donc améliorer les décisions de l’algorithme. Le travail de l’expert représente le coût de la construction de la base d’apprentissage. A chaque étape de l’algorithme, en fonction des décisions de l’expert on ajoute de nouvelles images à la base d’apprentissage et on choisit quelles images montrer à l’expert à l’étape suivante. Cette dernière est choisie en fonction d’une certaine mesure de proximité entre les images et doit améliorer la qualité de la décision et de la base à l’étape suivante, en améliorant l’algorithme de décision.

Sujet :
L’objectif de ce stage est de tester des méthodes d’apprentissage actif dans le contexte de la classification d’image. Il y a plusieurs questions à aborder, comme par exemple, le choix des descripteurs, la mesure de proximité entre les images et la classification multi-label. Ce stage sera financé par un projet commun entre l’Institut XLIM, l’entreprise Einden et le LabCom DAMIALab.

Profil du candidat :
Niveau master d’une école d’ingénieur ou université en mathématiques appliquées

Formation et compétences requises :
Expérience en modélisation, apprentissage statistique et analyse d’image numérique. Maîtrise de Python ou Matlab.

Adresse d’emploi :
Laboratoire de Mathématiques et Applications, Université de Poitiers

Document attaché : 202302221247_Stage_LMA_XLIM_Poitiers2023.pdf