Soutenance de thèse de Robin Condat, vendredi 8 juillet 2022 à 10 heures
Date :
La soutenance de thèse aura lieu le vendredi 8 juillet à 10h dans l'amphithéâtre Germaine Tillion du bâtiment Magellan de l'INSA de Rouen Normandie.
Cette thèse, réalisée à l'Institut National des Sciences Appliquées de Rouen Normandie au sein de l'équipe STI (Systèmes de Transports Intelligents) du LITIS s'intitule :
"Contribution à l'amélioration de la robustesse des systèmes de perception basés sur des réseaux de neurones profonds multimodaux"
La soutenance aura lieu devant le jury composé de :
Mr. Fawzi NASHASHIBI, Directeur de recherche, INRIA Paris-Rocquencourt, Président du jury
Mr. Fabien MOUTARDE, Professeur, Ecole Nationale Supérieure des Mines de Paris, Rapporteur
Mr. Olivier ORFILA, Habilité à Diriger des Recherches, Université Gustave Eiffel, Rapporteur
Mr. Fabrice MÉRIAUDEAU, Professeur, Université de Bourgogne, Examinateur
Mme. Samia AINOUZ, Professeure, Institut National des Sciences Appliquées de Rouen Normandie, Examinatrice
Mme. Samia AINOUZ, Professeure, Institut National des Sciences Appliquées de Rouen Normandie, Examinatrice
Mr. Abdelaziz BENSRHAIR, Professeur, Institut National des Sciences Appliquées de Rouen Normandie, Directeur
Mme Alexandrina ROGOZAN, Maitre de Conférence, Institut National des Sciences Appliquées de Rouen Normandie, Encadrante
La soutenance sera également retransmise en visioconférence sur Zoom via le lien suivant:
Participer à la réunion Zoom
ID de réunion : 873 8747 4214
Code secret : 5Y8G4s
Résumé
Afin de garantir une perception optimale pour le véhicule autonome, l'analyse de scènes routières a largement été explorée durant ces dernières années dans le domaine de l'ADAS. Plus récemment, l'apprentissage profond via des réseaux de neurones a permis de passer un cap significatif en termes de performances. Cependant, les méthodes développées sont rarement robustes en conditions dégradées, pouvant ainsi causer une mauvaise interprétation de la scène routière et engendrer des accidents sévères. Pour remédier à cela, l'utilisation de la multimodalité, profitant de capteurs de sources diverses, permet une meilleure analyse de la situation. Cela implique, malgré tout, une cause possible de dégradation : le dysfonctionnement ou la panne d'un ou plusieurs capteurs.
Dans cette thèse, nous abordons la problématique de robustesse des réseaux de neurones multimodaux pour l'analyse de scènes routières en cas de dysfonctionnement de capteurs. Nous introduisons plusieurs architectures de réseaux de neurones convolutionnels prenant en entrée des données multimodales basées sur l'image. Nous étudions l'impact de données endommagées sur leur fonctionnement, et proposons ainsi plusieurs techniques pour l'amélioration de leurs performances en conditions dégradées avec des données d'entrées partielles en cas d'absence de modalité, ou fortement bruitées.