Apprentissage profond pour la télédétection dans un environnement restreint en ressources

De nos jours de plus en plus d’applications utilisent l’intelligence artificielle et l’apprentissage profond. Or ces réseaux de neurones profonds nécessitent toujours plus de puissance de calculs à la fois en entraînement et en inférence. Dans un contexte de ressources restreintes, par exemple dans l’informatique embraquée, on s’intéressera aux cas d’utilisation de l’apprentissage profond où l’on dispose d’une capacité mémoire, d’une puissance de calcul ou de données limitées. L’idée est de développer des algorithmes spécifiques plus efficients, permettant de réduire le coût à la fois économique et énergétique (Green IT). Ceci afin d’utiliser ces algorithmes dans un contexte embarqué, par exemple pour la détection à l’intérieur d’un filet de pêche, ou avec du matériel possédant très peu de mémoire tel qu’un micro-processeur, un GPU embarqué, un objet connecté ou un ordinateur quantique.

Dans un contexte de ressources restreintes plusieurs approches sont envisagées : Premièrement la compression de réseaux de neurones, où le but sera de diminuer à la fois le poids et la complexité des réseaux de neurones (qui contiennent des centaines de millions de paramètres), sera traitée à l’aide de diverses méthodes de quantification, issues de la littérature ou originales (par exemple en se basant sur le transport optimal). Deuxièmement, la fusion de réseaux de neurones sera envisagée pour permettre d’avoir des réseaux plus polyvalents sans augmenter significativement la complexité de ces derniers. Ainsi, les tâches usuelles de classification ou détection d’objets seront couplées à d’autres plus originales telles que l’estimation de paramètres, permettant d’effectuer des tâches de régression, comme la distribution d’espèces dans une vidéo ou de bâtiments dans une scène urbaine.