Apprentissage non-supervisé de représentation pour la reconnaissance visuelle – UnLIR

Le projet se positionne dans les domaines de la vision par ordinateur et de l'apprentissage profond.
Nous nous intéressons ici à la classification d'image et à la recherche par l'exemple (image retrieval)

Les domaines de la vision par ordinateur et de l'apprentissage automatique ont connu un changement très important avec la repopularisation des réseaux de neurones profond (DNN).
Cependant ces méthodes on des limitations que nous souhaitons étudier:

1) les problèmes complexes tels que la classification à grain fin, pour lesquels des représentations intermédiaires discriminantes offrent de meilleures performances.
2) la nécessité d'utiliser des gros volumes de données annotées.
3) l'explicabilité des réseaux.

Ce projet vise à répondre à trois questions principales:
-Comment créer des réseaux capables de résoudre des tâches complexes ?
-Comment entraîner un réseau avec peu ou pas de données annotées ?
-Comment expliquer les décisions prises par un réseau ?

Plus précisément, nous souhaitons améliorer les capacités des DNN pour apprendre avec peu ou pas de données d’entraînement des représentations intermédiaires pour pouvoir résoudre des tâches complexes. Basé sur ces résultats, nous chercherons à interpréter les prises de décisions des CNN.