Télécom ParisTech

Actualité

Illustration de l'actualité : Soutenance de doctorat de Hadrien Bertrand : Optimisation d'hyper-paramètres en apprentissage profond et apprentissage par transfert - Applications en imagerie médicale

Soutenance de doctorat de Hadrien Bertrand : Optimisation d'hyper-paramètres en apprentissage profond et apprentissage par transfert - Applications en imagerie médicale

mardi
15
janvier
2019

PhD Comics : I'm defending my thesis, Mom !

Jury

  • M. Hervé Delingette, INRIA Sophia-Antipolis, Rapporteur
  • Mme Caroline Petitjean, Université de Rouen, Rapporteuse
  • M. Pierrick Coupé, Université de Bordeaux, Examinateur
  • M. Jamal Atif, Université Paris Dauphine, Examinateur
  • M. Laurent Cohen, Université Paris Dauphine, Examinateur
  • Mme Isabelle Bloch, Télécom ParisTech, Directrice de thèse
  • M. Roberto Ardon, Philips Research, Co-encadrant de thèse
  • M. Matthieu Perrot, Philips Research, Co-encadrant de thèse

Résumé

Ces dernières années, l'apprentissage profond a complètement changé le domaine de vision par ordinateur. Plus rapide, donnant de meilleurs résultats, et nécessitant une expertise moindre pour être utilisé que les méthodes classiques de vision par ordinateur, l'apprentissage profond est devenu omniprésent dans tous les problèmes d'imagerie, y compris l'imagerie médicale.
Au début de cette thèse, la construction de réseaux de neurones adaptés à des tâches spécifiques ne bénéficiait pas encore de suffisamment d'outils ni d'une compréhension approfondie. Afin de trouver automatiquement des réseaux de neurones adaptés à des tâches spécifiques, nous avons ainsi apporté des contributions à l’optimisation d’hyper-paramètres de réseaux de neurones. Cette thèse propose une comparaison de certaines méthodes d'optimisation, une amélioration en performance d'une de ces méthodes, l'optimisation bayésienne, et une nouvelle méthode d'optimisation d'hyper-paramètres basé sur la combinaison de deux méthodes existantes : l'optimisation bayésienne et hyperband.