[Conf] [Expert] Apprentissage actif avec signaux faiblement supervisés
Détails
INSCRIPTION VIA ZOOM
URL :
https://us02web.zoom.us/webinar/register/WN_NfyR7FScTg-aTJTy8p9zeg
N'hésitez pas à rejoindre notre slack pour échanger :
https://join.slack.com/t/bdxml/shared_invite/zt-e3doysb6-cBERdvrC8456FGxrTaEuCw
Ingénieur machine learning à Scortex, Antoine Cordier a d'abord étudié à l'École polytechnique, avant de terminer son cursus à l'Imperial College à Londres. Scortex a pour ambition d'automatiser le contrôle qualité dans les usines grâce à l'inspection visuelle par le biais du deep learning. Les sujets de recherches d'Antoine couvrent entre autres l'apprentissage continu et actif, le semi-supervisé et le non-supervisé, ainsi que l'optimisation des entraînements de modèles. Durant son temps libre, Antoine aime écouter, produire, et jouer de la techno à l'occasion de diverses soirées et festivals à travers l'Europe.
Apprendre à partir de nouvelles données représente un défi conséquent pour bon nombre d'applications du deep learning, en particulier pour celles soumises à des contraintes temporelles, comme les systèmes Scortex.
Acquérir et annoter de nouvelles données constitue en effet un processus long et coûteux, qui se révèle souvent être un facteur limitant significatif pour l'entraînement des modèles supervisés. Devant le coût de cette annotation, et devant l'abondance des images générées en continu depuis la prodution, comment optimiser la priorisation de l'annotation ? Comment l'accélérer ?
À travers les problématiques de Scortex d'automatisation du contrôle qualité visuel dans les usines par deep learning, nous présentons des techniques pour apprendre activement, à partir de données minées rapidement avec annotations partielles (faibles) dans un contexte de production.
----------------------------------------------------------------------------------------------------
Working as a machine learning engineer at Scortex, Antoine Cordier first graduated from École polytechnique in 2017, before studying biotechnologies at Imperial College. Scortex aims to automate quality control in factories through advanced vision inspection via computer vision and deep learning. His topics of research include continuous and active learning, semi-supervised and unsupervised learning, and optimization of training schemes. In his free time, Antoine enjoys, produces, and plays techno music in various parties and festivals around Europe.
Learning from new data is a substantial challenge for numbers of deep learning applications, especially for those submitted to temporal constraints, like at Scortex. Acquiring and annotating new data is indeed a lenghty and expensive process, which often reveals to be a significant bottleneck for the training of supervised models. Acknowledging the cost of this annotation, and the abudance of continously generated images coming from production, how to optimize priorisation of annotation? How to accelerate it? Through the Scortex problematics of automating visual quality control in factories with deep learning, we describe techniques for learning actively, from rapidly mined data with partial (weak) annotations, in a production setting.
Cette présentation s'appuie sur au moins 3 références mentionnées ci-dessous. :
Settles,
B. et al. 2009 - Active learning literature survey
https://minds.wisconsin.edu/bitstream/handle/1793/60660/TR1648.pdf?sequence=1
Rame et al. 2018 - OMNIA Faster R-CNN: Detection in the wild through dataset merging and soft distillation
https://arxiv.org/abs/1505.07818
Ganin et al. 2016 - Domain-Adversarial Training of Neural Networks
https://arxiv.org/abs/1505.07818