Academic literature on the topic 'Recherche d'architecture'

Une des réponses majeurs de la plante à la carence en phosphate concerne la modification du développement du système racinaire. L'objectif de ce travail est de préciser les bases moléculaires sous-jacentes à cette réponse. Nous avons montré que cette privation en phosphate se traduit, au niveau du système racinaire d'Arabidopsis, par une séquence caractéristique d'événements morphologiques: une diminution de la vitesse de croissance des racinaires principales, une augmentation de la vitesse de croissance des racines latérales accompagnée d'une diminution du nombre de prim~rdia et d'une augmentation de la durée de vie de ces racines. Cette réponse adaptative à la carence en phosphate apparaît dépendante d'une signalétique auxinique. Le développement d'une puce à ADN, dédiée aux facteurs de transcription chez Arabidopsis, a abouti à l'analyse cinétique du niveau d'expression de ces transcrits dans le modèle biologique dont l'architecture racinaire a finement été décrit. L'analyse de données a permis de sélectionner 19 gènes candidats dont les profils d'expression sont fortement perturbés par la carence en phosphate. L'analyse morphologique du système racinaire de 4 mutants d'insertion correspondant à certains des gènes sélectionnés confirme l'implication de ces facteurs de transcription dans la réponse adaptative du système racinaire à une contrainte phosphatée. La mutation de ces gènes provoque, de façon spécifique chez chaque mutant, des pertes de la réponse adaptative au niveau de la racine principale et des racines latérales. De plus, une analyse transcriptomique préliminaire de ces mutants révèle l'intervention de nombreux gènes dans la réponse à la carence en phosphate et/ou dans le développement du système racinaire. Ce travail a abouti à la sélection de 4 facteurs de transcription pouvant constituer les premiers éléments de réponse<br>One of the major plant responses to phosphate privation concern the modification of root development. The aim of this work is to precise the molecular basis on this response. In phosphate-limiting conditions, Arabidobsis develops a chronological sequence of numerous morphological root changes including a decrease of primary root growth rate, an increase of secondary root growth rate combined with a reduction of primordia numhers and a decrease of root growth cessation. This adaptive response seems to he under the control of auxin pathway. The design of a DNA array, dedicated to the Arabidopsis transcription factors, allows the measurements of gene expression Icvel of these factors in a time-course according to the described biological model. Data analysis leads to the selection of 19 genes whom the expression profiles are strongly disturbed by the phosphate privation condition. Root morphological analysis of four transcription factor knock-out mutants from the selected genes confirm the involvement of these factors in the root adaptive response to phosphate privation. The gene mutations induce, specifically to each of the mutants, the loss of the adaptive response of primary and secondary roots. Moreover preliminary transcriptome analysis of the se mutants show the implication of various genes to phosphate detïciency and/or to root development. This work leads to the selection of 4 transcription factors which should constitute the first elements of response

L'intelligence artificielle (IA) a gagné en popularité ces dernières années, principalement en raison de ses applications réussies dans divers domaines tels que l'analyse de données textuelles, la vision par ordinateur et le traitement audio. La résurgence des techniques d'apprentissage profond a joué un rôle central dans ce succès. L'article révolutionnaire de Krizhevsky et al., AlexNet, a réduit l'écart entre les performances humaines et celles des machines dans les tâches de classification d'images. Des articles ultérieurs tels que Xception et ResNet ont encore renforcé l'apprentissage profond en tant que technique de pointe, ouvrant de nouveaux horizons pour la communauté de l'IA. Le succès de l'apprentissage profond réside dans son architecture, conçue manuellement avec des connaissances d'experts et une validation empirique. Cependant, ces architectures n'ont pas la certitude d'être la solution optimale. Pour résoudre ce problème, des articles récents ont introduit le concept de Recherche d'Architecture Neuronale ( extit{NAS}), permettant l'automatisation de la conception des architectures profondes. Cependant, la majorités des approches initiales se sont concentrées sur de grandes architectures avec des objectifs spécifiques (par exemple, l'apprentissage supervisé) et ont utilisé des techniques d'optimisation coûteuses en calcul telles que l'apprentissage par renforcement et les algorithmes génétiques. Dans cette thèse, nous approfondissons cette idée en explorant la conception automatique d'architectures profondes, avec une emphase particulière sur les méthodes extit{NAS} différentiables ( extit{DNAS}), qui représentent la tendance actuelle en raison de leur efficacité computationnelle. Bien que notre principal objectif soit les réseaux convolutifs ( extit{CNNs}), nous explorons également les Vision Transformers (ViTs) dans le but de concevoir des architectures rentables adaptées aux applications en temps réel<br>Artificial Intelligence (AI) has gained significant popularity in recent years, primarily due to its successful applications in various domains, including textual data analysis, computer vision, and audio processing. The resurgence of deep learning techniques has played a central role in this success. The groundbreaking paper by Krizhevsky et al., AlexNet, narrowed the gap between human and machine performance in image classification tasks. Subsequent papers such as Xception and ResNet have further solidified deep learning as a leading technique, opening new horizons for the AI community. The success of deep learning lies in its architecture, which is manually designed with expert knowledge and empirical validation. However, these architectures lack the certainty of an optimal solution. To address this issue, recent papers introduced the concept of Neural Architecture Search (NAS), enabling the learning of deep architectures. However, most initial approaches focused on large architectures with specific targets (e.g., supervised learning) and relied on computationally expensive optimization techniques such as reinforcement learning and evolutionary algorithms. In this thesis, we further investigate this idea by exploring automatic deep architecture design, with a particular emphasis on differentiable NAS (DNAS), which represents the current trend in NAS due to its computational efficiency. While our primary focus is on Convolutional Neural Networks (CNNs), we also explore Vision Transformers (ViTs) with the goal of designing cost-effective architectures suitable for real-time applications

L'augmentation de la puissance de calcul et de la quantité de données disponible ont permis la montée en popularité de l'apprentissage profond. Cependant, l'expertise et les ressources nécessaires pour construire de tels algorithmes ainsi que l'empreinte mémoire et le temps d'inférence lors de l'utilisation sont autant d'obstacles à l'utilisation de ces méthodes. Dans cette thèse, nous proposons de construire des modèles d'apprentissage profond de manière plus efficace et automatisée. Tout d'abord, nous nous concentrons sur l'apprentissage d'une architecture efficace pour les problèmes de traitement d'images. Nous proposons un modèle dans lequel nous pouvons guider la procédure d'apprentissage d'architecture en spécifiant un budget et une fonction de coût fixes. Ensuite, nous considérons le problème de la classification de séquences, où un modèle peut être encore plus efficace en adaptant dynamiquement sa taille à la complexité du signal à venir. Enfin, nous abordons le problème de l'efficacité sous l'angle de l'apprentissage par transfert, une procédure d'apprentissage pouvant être rendue encore plus efficace si elle s'appuie sur des connaissances acquises lors d'expériences précédentes. Nous explorons les architectures modulaires dans le scénario de l'apprentissage continuel et présentons un nouveau benchmark permettant une évaluation fine des différents types de transfert<br>The recent increase in computation power and the ever-growing amount of data available ignited the rise in popularity of deep learning. However, the expertise, the amount of data, and the computing power necessary to build such algorithms as well as the memory footprint and the inference latency of the resulting system are all obstacles preventing the widespread use of these methods. In this thesis, we propose several methods allowing to make a step towards a more efficient and automated procedure to build deep learning models. First, we focus on learning an efficient architecture for image processing problems. We propose a new model in which we can guide the architecture learning procedure by specifying a fixed budget and cost function. Then, we consider the problem of sequence classification, where a model can be even more efficient by dynamically adapting its size to the complexity of the signal to come. We show that both approaches result in significant budget savings. Finally, we tackle the efficiency problem through the lens of transfer learning. Arguing that a learning procedure can be made even more efficient if, instead of starting tabula rasa, it builds on knowledge acquired during previous experiences. We explore modular architectures in the continual learning scenario and present a new benchmark allowing a fine-grained evaluation of different kinds of transfer

Cette thèse porte sur la reconnaissance d'actions humaines dans des séquences vidéo RGB-D monoculaires. La question principale est, à partir d'une vidéo ou d'une séquence d'images donnée, de savoir comment reconnaître des actions particulières qui se produisent. Cette tâche est importante et est un défi majeur à cause d'un certain nombre de verrous scientifiques induits par la variabilité des conditions d'acquisition, comme l'éclairage, la position, l'orientation et le champ de vue de la caméra, ainsi que par la variabilité de la réalisation des actions, notamment de leur vitesse d'exécution. Pour surmonter certaines de ces difficultés, dans un premier temps, nous examinons et évaluons les techniques les plus récentes pour la reconnaissance d'actions dans des vidéos. Nous proposons ensuite une nouvelle approche basée sur des réseaux de neurones profonds pour la reconnaissance d'actions humaines à partir de séquences de squelettes 3D. Deux questions clés ont été traitées. Tout d'abord, comment représenter la dynamique spatio-temporelle d'une séquence de squelettes pour exploiter efficacement la capacité d'apprentissage des représentations de haut niveau des réseaux de neurones convolutifs (CNNs ou ConvNets). Ensuite, comment concevoir une architecture de CNN capable d'apprendre des caractéristiques spatio-temporelles discriminantes à partir de la représentation proposée dans un objectif de classification. Pour cela, nous introduisons deux nouvelles représentations du mouvement 3D basées sur des squelettes, appelées SPMF (Skeleton Posture-Motion Feature) et Enhanced-SPMF, qui encodent les postures et les mouvements humains extraits des séquences de squelettes sous la forme d'images couleur RGB. Pour les tâches d'apprentissage et de classification, nous proposons différentes architectures de CNNs, qui sont basées sur les modèles Residual Network (ResNet), Inception-ResNet-v2, Densely Connected Convolutional Network (DenseNet) et Efficient Neural Architecture Search (ENAS), pour extraire des caractéristiques robustes de la représentation sous forme d'image que nous proposons et pour les classer. Les résultats expérimentaux sur des bases de données publiques (MSR Action3D, Kinect Activity Recognition Dataset, SBU Kinect Interaction, et NTU-RGB+D) montrent que notre approche surpasse les méthodes de l'état de l'art. Nous proposons également une nouvelle technique pour l'estimation de postures humaines à partir d'une vidéo RGB. Pour cela, le modèle d'apprentissage profond appelé OpenPose est utilisé pour détecter les personnes et extraire leur posture en 2D. Un réseau de neurones profond est ensuite proposé pour apprendre la transformation permettant de reconstruire ces postures en trois dimensions. Les résultats expérimentaux sur la base de données Human3.6M montrent l'efficacité de la méthode proposée. Ces résultats ouvrent des perspectives pour une approche de la reconnaissance d'actions humaines à partir des séquences de squelettes 3D sans utiliser des capteurs de profondeur comme la Kinect. Nous avons également constitué la base CEMEST, une nouvelle base de données RGB-D illustrant des comportements de passagers dans les transports publics. Elle contient 203 vidéos de surveillance collectées dans une station du métro incluant des événements "normaux" et "anormaux". Nous avons obtenu des résultats prometteurs sur cette base en utilisant des techniques d'augmentation de données et de transfert d'apprentissage. Notre approche permet de concevoir des applications basées sur des techniques de l'apprentissage profond pour renforcer la qualité des services de transport en commun<br>This thesis is dealing with automatic recognition of human actions from monocular RGB-D video sequences. Our main goal is to recognize which human actions occur in unknown videos. This problem is a challenging task due to a number of obstacles caused by the variability of the acquisition conditions, including the lighting, the position, the orientation and the field of view of the camera, as well as the variability of actions which can be performed differently, notably in terms of speed. To tackle these problems, we first review and evaluate the most prominent state-of-the-art techniques to identify the current state of human action recognition in videos. We then propose a new approach for skeleton-based action recognition using Deep Neural Networks (DNNs). Two key questions have been addressed. First, how to efficiently represent the spatio-temporal patterns of skeletal data for fully exploiting the capacity in learning high-level representations of Deep Convolutional Neural Networks (D-CNNs). Second, how to design a powerful D-CNN architecture that is able to learn discriminative features from the proposed representation for classification task. As a result, we introduce two new 3D motion representations called SPMF (Skeleton Posture-Motion Feature) and Enhanced-SPMF that encode skeleton poses and their motions into color images. For learning and classification tasks, we design and train different D-CNN architectures based on the Residual Network (ResNet), Inception-ResNet-v2, Densely Connected Convolutional Network (DenseNet) and Efficient Neural Architecture Search (ENAS) to extract robust features from color-coded images and classify them. Experimental results on various public and challenging human action recognition datasets (MSR Action3D, Kinect Activity Recognition Dataset, SBU Kinect Interaction, and NTU-RGB+D) show that the proposed approach outperforms current state-of-the-art. We also conducted research on the problem of 3D human pose estimation from monocular RGB video sequences and exploited the estimated 3D poses for recognition task. Specifically, a deep learning-based model called OpenPose is deployed to detect 2D human poses. A DNN is then proposed and trained for learning a 2D-to-3D mapping in order to map the detected 2D keypoints into 3D poses. Our experiments on the Human3.6M dataset verified the effectiveness of the proposed method. These obtained results allow opening a new research direction for human action recognition from 3D skeletal data, when the depth cameras are failing. In addition, we collect and introduce in this thesis, CEMEST database, a new RGB-D dataset depicting passengers' behaviors in public transport. It consists of 203 untrimmed real-world surveillance videos of realistic "normal" and "abnormal" events. We achieve promising results on CEMEST with the support of data augmentation and transfer learning techniques. This enables the construction of real-world applications based on deep learning for enhancing public transportation management services

Dans le domaine aéronautique, la dernière décennie a été marquée par une augmentation constante et progressive du taux d'électrification des systèmes embarqués. L'avion plus électrique est aujourd'hui vu comme un axe d'amélioration majeure pour l'industrie aéronautique permettant d'atteindre des objectifs toujours plus ambitieux : réduction de l'impact environnemental, rationalisation des coûts de maintenance... Dans ce contexte, le réseau de distribution électrique joue un rôle majeur. Les architectes doivent imaginer de nouveaux concepts architecturaux afin d'assurer le " service " de fourniture d'électricité tout en minimisant la masse et le coût. Ainsi les travaux de cette thèse proposent des méthodes d'aide à la conception pour les architectes de réseau. Le manuscrit se divise en 2 parties pouvant être vues comme 2 études distinctes et qui sont introduites dans le chapitre 1. La 1ère partie, traitée dans les chapitres 2 et 3, développe des méthodes et outils afin de résoudre de manière automatique et optimale 2 tâches de l'architecte : la définition des reconfigurations du réseau et l'identification de l'allocation des charges. La formalisation de ces 2 problématiques met en lumière une caractéristique commune : l'explosion combinatoire. Ainsi les résolutions sont réalisées à l'aide de méthodes issues de la recherche opérationnelle. Un processus général est défini afin de traiter les 2 tâches de manière consistante. Les aspects liés à la reconfiguration sont traités à l'aide de : la théorie des graphes pour modéliser la connectivité du réseau, un système expert capturant les règles métiers et la programmation linéaire sélectionnant les reconfigurations les plus performantes. La méthode a été appliquée avec succès sur des réseaux avions existants (A400M et A350) ainsi que sur des réseaux plus électriques prospectifs. La deuxième tâche consistant en l'allocation des charges a été résolue à l'aide de méthodes stochastiques. L'algorithme génétique utilisant une méthode de nichage se révèle être le plus performant en proposant à l'architecte réseau des solutions performantes et variées. La 2ème partie, traitée dans le chapitre 4, s'intéresse à un nouveau concept le " cœur électronique modulaire et mutualisé ". Cet organe de distribution, étroitement lié à l'avion plus électrique, se caractérise par la mutualisation de " m " modules électronique de puissance pour " c " charges électriques. Les méthodes développées dans le chapitre 4 vise à concevoir de manière optimale ce nouveau cœur en ayant 2 degrés de liberté : le nombre " m " de modules et les reconfigurations entre les " m " modules et les " c " charges. De nouveau, la formalisation du problème met en évidence l'explosion combinatoire à laquelle est confronté le concepteur. Le principal objectif de cette étude est de proposer un cadre méthodologique pour la résolution de ce problème de conception. Ainsi une heuristique a été développée pour résoudre ce problème combinatoire. Une attention particulière a été portée pour développer des modèles de composants simples et génériques dans une procédure générale organisée. Enfin une cartographie a été réalisée afin de dégager d'une part les formes de solutions les plus performantes et d'identifier les éléments ayant les impacts les plus significatifs sur la masse du système complet.

L'apprentissage machine (AM) est un outil important dans le domaine de la recherche d'information musicale (Music Information Retrieval ou MIR). De nombreuses tâches de MIR peuvent être résolues en entraînant un classifieur sur un ensemble de caractéristiques. Pour les tâches de MIR se basant sur l'audio musical, il est possible d'extraire de l'audio les caractéristiques pertinentes à l'aide de méthodes traitement de signal. Toutefois, certains aspects musicaux sont difficiles à extraire à l'aide de simples heuristiques. Afin d'obtenir des caractéristiques plus riches, il est possible d'utiliser l'AM pour apprendre une représentation musicale à partir de l'audio. Ces caractéristiques apprises permettent souvent d'améliorer la performance sur une tâche de MIR donnée. Afin d'apprendre des représentations musicales intéressantes, il est important de considérer les aspects particuliers à l'audio musical dans la conception des modèles d'apprentissage. Vu la structure temporelle et spectrale de l'audio musical, les représentations profondes et multiéchelles sont particulièrement bien conçues pour représenter la musique. Cette thèse porte sur l'apprentissage de représentations de l'audio musical. Des modèles profonds et multiéchelles améliorant l'état de l'art pour des tâches telles que la reconnaissance d'instrument, la reconnaissance de genre et l'étiquetage automatique y sont présentés.<br>Machine learning (ML) is an important tool in the field of music information retrieval (MIR). Many MIR tasks can be solved by training a classifier over a set of features. For MIR tasks based on music audio, it is possible to extract features from the audio with signal processing techniques. However, some musical aspects are hard to extract with simple heuristics. To obtain richer features, we can use ML to learn a representation from the audio. These learned features can often improve performance for a given MIR task. In order to learn interesting musical representations, it is important to consider the particular aspects of music audio when building learning models. Given the temporal and spectral structure of music audio, deep and multi-scale representations are particularly well suited to represent music. This thesis focuses on learning representations from music audio. Deep and multi-scale models that improve the state-of-the-art for tasks such as instrument recognition, genre recognition and automatic annotation are presented.