Soutenance de thèse de Lucas Anquetil Mardi 7 novembre 2023 à 10H30

Lucas Anquetil soutiendra sa thèse mardi 07 novembre à 10h30 dans la salle BO A RC 02 de l'INSA de Rouen Normandie. Cette thèse a été réalisée à l'INSA de Rouen Normandie et s'intitule : 

"Robustesse des réseaux de neurones profonds pour la classification d'images aux exemples adversaires pertinents."

La soutenance aura lieu devant le jury composé de :

Madame Ileana OBER, Professeure des Universités, Université Paul Sabatier de Toulouse, rapportrice
Monsieur Stéphane HERBIN, Senior Researcher HDR, Office National d’Études et de Recherches Aérospatiales de Paris, rapporteur
Madame Samia AINOUZ, Professeure des Universités, Institut National des Sciences Appliquées de Rouen, examinatrice
Monsieur Amaury HABRARD, Professeur de Universités, Université Jean Monnet de Saint-Etienne, examinateur
Monsieur Stéphane CANU, Professeur des Universités, Institut National des Sciences Appliquées de Rouen, directeur de thèse

La soutenance sera également retransmise sur Zoom via le lien suivant : 
https://zoom.us/j/9888668613

Résumé de la thèse :

L'apprentissage automatique révolutionne le monde de nombreuses manières en permettant la création de systèmes intelligents capables d'effectuer des tâches complexes.
En médecine, les systèmes d'apprentissage automatique sont utilisés pour analyser des données médicales et identifier des motifs qui peuvent aider les médecins à diagnostiquer les maladies de manière plus précise.
Dans le domaine du commerce, les systèmes d'apprentissage automatique sont largement utilisés pour personnaliser l'expérience d'achat des clients en recommandant des produits en fonction de leur historique et de leur comportement de navigation.
Dans le secteur du transport, l'apprentissage automatique est au cœur du développement des voitures autonomes, des véhicules qui seraient capable de circuler sans intervention humaine pour lesquels une évaluation de la robustesse est primordiale.

Le problème abordé dans cette thèse est celui de l'évaluation de la robustesse des réseaux de neurones profonds en tant que classifieur d'images à l'aide d'exemples adversaires, c'est-à-dire des exemples originaux auxquels est ajouté une perturbation, imperceptible à l'œil nu, changeant la sortie des classifieurs.
Plus précisément, nous proposons une méthode de calcul de ces perturbations adversaires à l'aide d'un dictionnaire, un ensemble d'images apprises à partir d'un classifieur et d'un jeu de données.
Nous remettons également en question la qualité des métriques utilisées pour calculer les distances entre deux images, afin d'estimer de manière fiable une mesure de robustesse pertinente des classifieurs d'images.

Dans une première contribution, nous proposons une nouvelle manière de tromper les classifieurs. Tout en étant compétitive avec les méthodes de l'état de l'art, cette approche permet d'apprendre un dictionnaire d'images dont une certaine combinaison linéaire produit une telle perturbation adversaire.
Ce dictionnaire permet de construire des perturbations adversaires universelles, indépendantes des exemples originaux, et transférables, efficaces pour tromper d'autres classifieurs.
Le dictionnaire appris, permet aussi de visualiser les formes élémentaires à la base des perturbations adversaires.

Dans une deuxième contribution, nous proposons d'apprendre une mesure de similarité entre images en optimisant la matrice de coût de la distance de Wasserstein entre leurs représentations issues d'un réseau de neurones.
Utiliser les représentations des images permet de calculer des similarités plus pertinentes et réalistes qu'en utilisant leurs pixels.
En effet, les distances d'images basées sur les pixels ne considèrent pas la sémantique. 
Notre proposition permet d'explorer la richesse des représentations apprises, afin de construire une distance de Wasserstein pertinente.
Disposer d'une telle mesure de similarité pertinente entre images peut s'avérer utile lorsque l'on travaille sur des applications de vision par ordinateur pour lesquelles des vies sont en jeu.