THIRY Louis

Un travail récent a montré que diverses formes de méthodes à noyau convolutif peuvent être compétitives avec les réseaux convolutifs profonds supervisés standard sur des jeux de données tels que CIFAR-10, en obtenant des précisions de l'ordre de 87 à 90 % tout en se prêtant mieux à une analyse théorique. Dans ce travail, nous soulignons l'importance d'une étape d'extraction de caractéristiques dépendant des données qui est essentielle pour obtenir de bonnes performances dans les méthodes de noyaux convolutifs. Cette étape correspond généralement à un dictionnaire blanchi de patches, et donne lieu à des méthodes à noyau convolutif dépendant des données. Nous étudions en profondeur son effet, en démontrant qu'elle est l'ingrédient clé pour une haute performance de ces méthodes. Plus précisément, nous montrons que l'une des instances les plus simples de ces méthodes à noyau, basée sur une seule couche de patchs d'image suivie d'un classificateur linéaire, obtient déjà des précisions de classification sur CIFAR-10 du même ordre que les méthodes à noyau convolutif plus sophistiquées précédentes. Nous appliquons cette méthode à la difficile base de données ImageNet, montrant qu'une approche aussi simple peut dépasser toutes les méthodes de représentation non apprises existantes. Il s'agit d'une nouvelle base de référence pour la reconnaissance d'objets sans méthodes d'apprentissage de représentation, qui lance l'étude des modèles à noyau convolutif sur ImageNet. Nous menons des expériences pour analyser le dictionnaire que nous avons utilisé, nos ablations montrant qu'elles présentent des propriétés de faible dimension.

En 1972, le monde musical est sous le choc. L’enregistrement de l’intégrale de l’œuvre d’orgue d’Olivier Messiaen par Louis Thiry n’échappe à personne et se présente d’emblée comme un événement incontournable. Plusieurs fois récompensé, cet enregistrement devenu mythique se devait d’avoir une nouvelle vie grâce à une subtile remasterisation.

Pas de résumé disponible.

Nous introduisons un réseau neuronal convolutif profond à diffusion clairsemée, qui fournit un modèle simple pour analyser les propriétés de l'apprentissage de la représentation profonde pour la classification. L'apprentissage d'une matrice à dictionnaire unique avec un classificateur donne une précision de classification supérieure à celle d'AlexNet sur le jeu de données ImageNet 2012. Le réseau applique d'abord une transformée de diffusion qui linéarise les variabilités dues aux transformations géométriques telles que les translations et les petites déformations. Un codage par dictionnaire l1 clairsemé réduit la variabilité intra-classe tout en préservant la séparation des classes par des projections sur des unions d'espaces linéaires. Il est implémenté dans un réseau convolutionnel profond avec un algorithme d'homotopie ayant une convergence exponentielle. Une preuve de convergence est donnée dans un cadre général qui inclut ALISTA. Les résultats de la classification sont analysés sur ImageNet.

Pas de résumé disponible.

Pas de résumé disponible.