Marcel Morel ADJALLA
Spécialité : Ingenierie informatique
Laboratoire : L2TI
Directrice de thèse : Anissa Mokraoui
Co-encadrant : Fangchen Feng
Titre de la thèse : Quantification et atténuation du décalage de domaine en détection d’objets inter-domaines en régime few-shot
Aujourd’hui les modèles d’intelligence artificielle et de vision par ordinateur nécessitent généralement d’immenses quantités de données annotées pour apprendre à détecter des objets. Pour s’affranchir de cette contrainte, la détection d’objets en régime few-shot permet de concevoir des systèmes capables de reconnaître de nouvelles catégories d’objets à l’aide d’une simple poignée d’exemples.
Cependant, ces méthodes atteignent leurs limites lorsque le contexte change radicalement entre le domaine d’apprentissage et la situation réelle ; par exemple, lors du passage d’images terrestres à des images aériennes ou satellites. Ce phénomène, appelé décalage de domaine, provoque souvent une dégradation importante des performances, voire l’échec des modèles.
Cette thèse, menée au sein du laboratoire L2TI, vise à surmonter cet obstacle. L’objectif étant de développer un cadre innovant capable, d’une part, de mesurer précisément cet écart entre différents environnements de données, et d’autre part, d’adapter intelligemment les algorithmes de détection. En permettant aux modèles de s’ajuster dynamiquement selon la complexité du changement de scène, ces travaux permettront de concevoir des systèmes de vision artificielle beaucoup plus robustes, autonomes et fiables pour des applications concrètes du monde réel.
Thesis title : Quantification and mitigation of domain shift in cross-domain few-shot object detection
Today, artificial intelligence and computer vision models generally require massive amounts of annotated data to learn how to detect objects. To overcome this limitation, few-shot object detection makes it possible to design systems capable of recognizing new object categories using only a handful of examples.
However, these methods reach their limits when the context changes drastically between the training domain and the real-world situation; for instance, when transitioning from ground-level images to aerial or satellite imagery. This phenomenon, known as domain shift, often leads to a significant degradation in performance, or even to model failure.
This thesis, conducted within the L2TI laboratory, aims to overcome this obstacle. The objective is to develop an innovative framework capable, on the one hand, of accurately measuring this gap between different data environments, and on the other hand, of intelligently adapting detection algorithms. By enabling models to dynamically adjust based on the complexity of the scene change, this research will help design much more robust, autonomous, and reliable computer vision systems for concrete real-world applications.
Contactez-nous !
Campus de Villetaneuse
@univ_SPN