Méthodes d’apprentissage auto-supervisées pour les images 3D texturées

Les méthodes d'apprentissage basées sur les architectures neuronales permettent de résoudre des problèmes de classification et de segmentation avec des performances pour l'instant non égalées dans le domaine du traitement d'images et de la vision par ordinateur. Les techniques dites de pré-entrainement (ou pretraining) forment une stratégie performante en termes de temps d'apprentissage et de précision afin de transférer la connaissance acquise par une architecture neuronale sur une tâche et un jeu de données vers une nouvelle tâche et un nouveau jeu de données. A IFPEN les images issues de nos moyens d'acquisition sont en général très spécifiques dans leurs dimensions (reconstruction tomographique de volumes 3D) et apportent une dynamique, une texture et un contenu très éloignés de ceux des images couramment employées pour l’apprentissage des modèles (par exemple la base de données ImageNet). 
Construire des bases de données qui permettraient l’optimisation de modèles neuronaux dédiés aux applications spécifiques de tomographie telles qu’en analyse des roches (Digital Rock Physics ou DRP) ou en catalyse se heurterait à la réalité du coût de l’annotation des données industrielles. En effet, mobiliser l’expertise pour annoter est une tâche extrêmement laborieuse.
Cette thèse vise à étudier l’apport des méthodes d’auto-apprentissage (ou self-supervised learning) aux données 3D à fortes textures qui sont utilisées en Digital Rock Physics. En effet, une campagne d’acquisition de données de roche a été menée à IFPEN permettant de pouvoir considérer un volume immense de données et ainsi de pouvoir entrainer des modèles agnostiques utilisables par la suite sur des tâches spécifiques. L’enjeu est donc d’adapter ces méthodes pour viser des tâches applicatives telles que la régression, la classification, la segmentation ou encore l'augmentation de résolution, sans nécessiter d’annoter massivement les données

Mots-clés : Intelligence artificielle, Traitement d’images, Vision par ordinateur, Tomographie 3D, Génie des matériaux