Intégration de connaissances dans des architectures profondes pour la classification d'images
Les architectures d'apprentissage profond ont profondément transformé l'intelligence artificielle, en particulier dans le domaine de la vision par ordinateur. Elles permettent d'extraire des représentations complexes à partir d'images, avec des performances souvent remarquables....
Guardat en:
| Autor principal: | |
|---|---|
| Altres autors: | , , , , , , , |
| Format: | Thèse numérique |
| Idioma: | Français |
| Publicat: |
2025.
|
| Matèries: | |
| Accés en línia: | Accès au texte intégral https://theses.univ-orleans.fr/public/2025ORLE1044_va.pdf http://www.theses.fr/2025ORLE1044/abes https://theses.hal.science/tel-05500502 |
| Nota: |
Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....) Partenaire(s) de recherche : Laboratoire d'informatique fondamentale d'Orléans (Orléans ; 1987-....) (Laboratoire) Autre(s) contribution(s) : Élisa Fromont (Président du jury) ; Olivier Lézoray, Thi Bich Hanh Dao, Yves Lucas (Membre(s) du jury) ; Céline Hudelot, Thierry Fournel (Rapporteur(s)) |
| Autres localisations: | Voir dans le Sudoc |
| Variante du titre: | Knowledge integration in deep learning for image classification |
| Sumari: | Les architectures d'apprentissage profond ont profondément transformé l'intelligence artificielle, en particulier dans le domaine de la vision par ordinateur. Elles permettent d'extraire des représentations complexes à partir d'images, avec des performances souvent remarquables. Néanmoins, ces modèles soulèvent encore plusieurs défis : leur manque d'explicabilité, leur dépendance à de grandes quantités de données annotées, ainsi que leur difficulté à intégrer des connaissances explicites. Dans ce contexte, cette thèse explore l'hybridation entre réseaux de neurones profonds et connaissances a priori, afin d'améliorer la capacité de généralisation des modèles de classification d'images. Elle s'articule autour de trois contributions principales. La première contribution consiste à proposer une méthodologie pour, à partir d'informations complémentaires sur les images, étiqueter des jeux de données et les enrichir avec des connaissances sous forme de règles. Ces ressources visent à faciliter l'évaluation de modèles exploitant des connaissances explicites, un besoin encore peu couvert dans la communauté. La deuxième contribution introduit une méthode d'apprentissage qui intègre des graphes de connaissances dans une architecture profonde. Elle repose sur une fonction de perte hybride combinant entropie croisée et distance dans un espace latent structuré par les connaissances. Ce cadre permet au modèle de se concentrer sur les exemples difficiles à classer en tirant parti de la structure sémantique du graphe. Les expériences menées montrent une amélioration des performances sur plusieurs jeux de données. Enfin, la troisième contribution propose un cadre de classification basé sur des concepts. Celui-ci s'appuie sur un graphe de connaissances pour d'une part modéliser les relations entre concepts et classes, et d'autre part propager des informations à travers les nœuds de ce graphe pour raisonner sur les concepts. Ce modèle vise à concilier capacité d'explication et performance, en combinant raisonnement symbolique et apprentissage profond. Deep learning architectures have greatly transformed the field of artificial intelligence, particularly in computer vision. These models are capable of extracting rich and complex representations from raw images, often achieving impressive performance. However, several challenges persist, including explainability, strong dependence on large amounts of annotated data, and difficulty in integrating explicit prior knowledge. In this context, this thesis explores the hybridization of deep neural networks with prior knowledge, with the aim of improving the generalization ability of image classification models. It is structured around three main contributions. The first contribution presents a generic methodology for annotating image datasets by using additional semantic information. Based on complementary data, we introduce a labeling procedure and generate logical rules to encode domain knowledge. These enriched datasets aim to support the evaluation of models that incorporate explicit knowledge. The second contribution introduces a framework that integrates knowledge graphs into deep architectures. This approach is built based on a hybrid loss function that combines cross-entropy with a distance measure in a latent space structured by the knowledge graph. This enables the model to focus learning on the most challenging examples, while leveraging the semantic relationships encoded in the graph. Experimental results show improved performance across multiple datasets, demonstrating the effectiveness of the method. The third contribution presents a concept-based classification framework. This model uses a knowledge graph both to represent relationships between concepts and classes, and to propagate information through the graph nodes by reasoning. By combining symbolic reasoning with deep learning, this framework achieves a balance between explainability and accuracy. |
|---|---|
| Descripció de l’ítem: | Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....) Partenaire(s) de recherche : Laboratoire d'informatique fondamentale d'Orléans (Orléans ; 1987-....) (Laboratoire) Autre(s) contribution(s) : Élisa Fromont (Président du jury) ; Olivier Lézoray, Thi Bich Hanh Dao, Yves Lucas (Membre(s) du jury) ; Céline Hudelot, Thierry Fournel (Rapporteur(s)) |
| Format: | Configuration requise : un logiciel capable de lire un fichier au format : PDF |