Présentation de IMT Atlantique

Le Lab-STICC est le Laboratoire des Sciences et Techniques de l’Information, de la Communication et de la Connaissance. Il est présent sur les villes de Brest, Quimper, Lorient et Vannes. Le Lab-STICC regroupe des compétences de très haut niveau en communications numériques, traitement du signal, micro-ondes, optoélectronique, matériaux, systèmes embarqués, électronique, informatique, et sciences de la connaissance. L’équipe du projet MMT est hébergée par l’IMT Atlantique.

IMT Atlantique est un établissement d’enseignement supérieur et de recherche issu de la fusion de l’École des Mines de Nantes et de Télécom Bretagne en janvier 2017. La recherche et l’innovation constituent l’une des missions prioritaires de l’École, dans ses domaines d’excellence, à savoir le numérique, l’énergie et l’environnement.

Sa recherche est menée dans l’une de ses 6 unités de recherche rattachées aux organismes de recherche nationaux (CNRS, Inserm) dont le Lab-STICC, et est portée en interne par 13 départements d’enseignement et de recherche. Avec plus de 1000 publications par an (dont 400 de rang A), environ 110 chercheurs ou enseignants chercheurs habilités à diriger des recherches et 80 soutenances de thèses par an en moyenne, l’IMT Atlantique se classe parmi les 10 premières écoles d’ingénieur en France au niveau de la recherche.

 

Présentation du projet Few Shot Learning

Ce projet s’intéressera à la détection de la nouveauté par un système de vision artificielle. Les progrès récents de l’apprentissage machine, et en particulier de l’apprentissage profond, permettent aujourd’hui d’entrainer des algorithmes à reconnaitre des centaines de catégories d’objets avec moins de 5 \% d’erreur. Cependant, une fois ces systèmes mis au point, il est très difficile de leur injecter de nouvelles connaissances, afin de leur permettre d’apprendre en continu, de manière incrémentale, sans oublier ni compromettre les connaissances acquises. C’est le problème dit de « l’oubli catastrophique ». Nous proposons de combiner des techniques robustes d’apprentissage profond avec des modèles de cliques neurales comme mémoires associatives. Ces dernières sont connues pour leur grande capacité de mémorisation et de robustesse au bruit, ce qui les rend adaptées à la recombinaison d’information parcimonieuse. Nous proposons de combiner ces deux types d’architectures neurales (réseau profond pré-entraîné et réseaux de cliques), afin de concevoir une solution d’apprentissage incrémental à faible coût, permettant d’effectuer de la détection de la nouveauté de manière non supervisée.