Méta-décomposition et processus d'évaluation dans les applications d'apprentissage automatique
Meta-decomposition and evaluation processes in machine learning applications
Résumé
Segmentation is a crucial primary step in a variety of real-world applications such as medical image analysis, activity recognition, and sound event detection. It involves partitioning input data into smaller segments, thereby inducing alterations in certain characteristics of the input data. This process introduces at least two families of uncontrollable biases. The first family of biases is introduced to the model due to the changes in problem space made by the segmentation itself. The second family of biases is caused by the segmentation process itself, including the fixation of the segmentation method and its parameters. This thesis presents a novel adaptive layer designed to augment existing medical image segmentation deep models, enhancing their performance. This adaptive layer dynamically adjusts the receptive field size based on pixel and neighboring information. These concepts are then extended to more intricate scenarios involving heterogeneous data types, presenting a novel meta-decomposition or learning-to-decompose approach for segmentation. This approach mitigates implicit biases while enabling adaptive segmentation for various data types, accommodating data variations and heterogeneities such as seasonal differences in activities. Recognizing the impact of segmentation on the problem space, the research scrutinizes the drawbacks of state-of-the-art evaluation methods, emphasizing the necessity for more comprehensive frameworks, focusing on point-based evaluation methods, neglects spatial or temporal relationships between instances. To validate the efficacy of the suggested evaluation techniques and the meta-decomposition approach, extensive experimentation is conducted across diverse concrete real-world datasets.
La segmentation est une étape cruciale dans diverses applications du monde réel telles que l’analyse d’images médicales, la reconnaissance d’activités et la détection d’événements sonores. Elle implique de diviser les données d’entrée en segments plus petits, ce qui induit des modifications dans certaines caractéristiques des données d’entrée. Ce processus introduit au moins deux familles de biais incontrôlables. La première famille de biais est introduite dans le modèle en raison des changements dans l’espace du problème provoqués par la segmentation elle-même. La deuxième famille de biais est causée par le processus de segmentation lui-même, y compris la fixation de la méthode de segmentation et de ses paramètres. Cette thèse présente une nouvelle couche adaptative conçue pour améliorer les modèles de segmentation d’images médicales existants, améliorant ainsi leurs performances. Cette couche adaptative ajuste dynamiquement la taille du champ récepteur en fonction des informations des pixels et de leur voisinage. Ces concepts sont ensuite étendus à des scénarios plus complexes impliquant des types de données hétérogènes, présentant une nouvelle approche de méta-décomposition ou d’apprentissage de la décomposition pour la segmentation. Cette approche atténue les biais implicites tout en permettant une segmentation adaptative pour différents types de données, prenant en compte les variations et les hétérogénéités des données telles que les différences saisonnières dans les activités. Reconnaissant l’impact de la segmentation sur l’espace du problème, la recherche examine les inconvénients des méthodes d’évaluation de pointe, en mettant l’accent sur la nécessité de cadres plus complets qui se concentrent sur des méthodes d’évaluation basées sur des points, négligeant les relations spatiales ou temporelles entre les instances. Pour valider l’efficacité des techniques d’évaluation suggérées et de l’approche de méta-décomposition, des expérimentations approfondies sont menées sur divers ensembles de données réels concrets.
| Origine | Version validée par le jury (STAR) |
|---|