Algorithms and feature preprocessing for transductive few-shot image classification
Algorithmes et prétraitement des caractéristiques pour la classification transductive d’images à partir de peu de données
Abstract
The purpose of this thesis is to investigate one of the most important challenges related to the development of machine and deep learning methods. Namely, our research is conducted in the setting where models make predictions based on a few labeled examples. Particularly in the context of image classification, the goal of this study is to learn a model that can correctly predict class labels based on limited data samples. We firstly discuss the improved performance with the evolution of deep learning methods, and present the problematic of data thriftiness. Secondly, we introduce the standard settings of this problematic and present the related classification methods. We summarize a general pipeline to tackle it. Then we highlight our contributions that address each step in the pipeline, by proposing adaptive methods on the targeted image data whose number is limited by the cost of annotation. Finally, we draw conclusions of our work, along with discussions about the novel challenges as well as potential solutions related to the field.
L’objectif de cette thèse est d’étudier l’un des défis les plus importants liés au développement de méthodes d’apprentissage automatique et profond. Notre recherche est menée dans le cadre où les modèles font des prédictions basées sur quelques exemples labellisés. En particulier, dans le contexte de la classification d’images, l’objectif de cette étude est d’apprendre un modèle capable de prédire correctement les labels de classe sur la base d’échantillons de données limités. Nous discutons d’abord de l’amélioration des performances avec l’évolution des méthodes d’apprentissage profond, et présentons la problématique de peu de données. Dans un deuxième temps, nous introduisons les paramètres standards de cette problématique et présentons les méthodes de classification associées. Nous résumons un pipeline général pour s’y adresser. Ensuite, nous mettons en évidence nos contributions qui adressent chaque étape du pipeline, en proposant des méthodes adaptatives sur les données d’images ciblées dont le nombre est limité par le coût de l’annotation. Enfin, nous tirons des conclusions de notre travail, ainsi que des discussions sur les nouveaux défis et les solutions potentielles liées au domaine.
Origin : Version validated by the jury (STAR)