Apprentissage Profond pour des Prédictions Structurées Efficaces appliqué à la Classification Dense en Vision par Ordinateur

Dans cette these, nous proposons une technique de prediction structuree qui combine les vertus des champs aleatoires conditionnels Gaussiens (G-CRF) avec les reseaux de neurones convolutifs (CNN). L’idee a l’origine de cette these est l’observation que tout en etant d’une forme limitee, les GCRF nous permettent d’effectuer une inference exacte de Maximum-A-Posteriori (MAP) de maniere efficace. Nous preferons l’exactitude et la simplicite a la generalite et preconisons la prediction structuree basee sur les G-CRFs dans les chaines de traitement d’apprentissage en profondeur. Nous proposons des methodes de prediction structurees qui permettent de gerer (i) l’inference exacte, (ii) les interactions par paires a court et a long terme, (iii) les expressions CNN riches pour les termes paires et (iv) l’entrainement de bout en bout aux cotes des CNN. Nous concevons de nouvelles strategies de mise en œuvre qui nous permettent de surmonter les problemes de memoire et de calcul lorsque nous traitons des modeles graphiques entierement connectes. Ces methodes sont illustrees par des etudes experimentales approfondies qui demontrent leur utilite. En effet, nos methodes permettent une amelioration des resultats vis-a-vis de L’etat de l’art sur des applications variees dans le domaine de la vision par ordinateur.