Note ABES Learning domain invariant representations of heterogeneous image data Apprentissage de représentations invariantes de domaines pour des données d'images hétérogènes Adaptation de domaine Apprentissage profond Apprentissage de représentations Télédétection Domain adaptation Deep Learning Representation learning Remote sensing 006.3 Apprentissage profond Télédétection L’apprentissage profond supervisé repose largement sur une grande quantité de données étiquetées, souvent difficile à obtenir. L'adaptation de domaine résout ce problème en appliquant les connaissances acquises à partir d'un jeu de données étiqueté à un autre jeu lié, mais non ou faiblement étiqueté. L'adaptation de domaine hétérogène est particulièrement complexe car les domaines se situent dans différents espaces. Ces méthodes sont très intéressantes pour les champs où une variété de capteurs est utilisée (comme la télédétection), capturant des images de différentes modalités. Cette thèse propose des approches novatrices pour l'Adaptation de Domaine d'Images Hétérogènes (ADIH) basées sur l'extraction de caractéristiques invariantes de domaines. La thèse examine différents scénarios de supervision dans le domaine cible : non supervisé, semi-supervisé et avec des contraintes. Les résultats montrent que l'approche proposée surpasse de manière cohérente les méthodes concurrentes. Supervised deep learning heavily relies on a large amount of labelled data, often difficult to obtain. Domain adaptation addresses this issue by applying knowledge acquired from a labelled dataset to another related dataset, which is either unlabeled or sparsely labelled. Heterogeneous domain adaptation is particularly challenging as domains lie in different spaces. These methods are very interesting for the fields using a variety of sensors (such as remote sensing), capturing images of diverse modalities. This thesis proposes novel approaches for Heterogeneous Image Domain Adaptation (HIDA) based on extracting domain invariant features. The thesis considers different supervision scenarios in the target domain: unsupervised, semi-supervised, and with constraints. The results demonstrate that the proposed approach consistently outperforms competing methods. Electronic Thesis or Dissertation Text en PDF 24565825 Université de Strasbourg Strasbourg 2024-12-31 https://theses.hal.science/tel-04561996 application/pdf 52994655 https://publication-theses.unistra.fr/public/theses_doctorat/2023/OBRENOVIC_Mihailo_2023_ED269.pdf http://www.theses.fr/2023STRAD052/abes https://theses.hal.science/tel-04561996 https://theses.hal.science/tel-04561996 https://theses.hal.science/tel-04561996 Obrenović Mihailo 1990-02-16 FR 274433184 0EFB1S070B7 21724009 4200018 https://theses.fr/2023STRAD052 2023STRAD052 https://doi.org/10.70675/f9c25daaz2747z4583zb147z38606eb4526d 2023-09-29 Informatique Strasbourg 131056549 Université de Kragujevac (Serbie) MADS_ETABLISSEMENT_DE_COTUTELLE_1 277396484 Doctorat Docteur es non oui Gançarski Pierre MADS_DIRECTEUR_DE_THESE_1 033775958 Ivanović Miloš MADS_DIRECTEUR_DE_THESE_2 277396476 Courty Nicolas MADS_PRESIDENT_DU_JURY 103931317 Lampert Thomas MADS_MEMBRE_DU_JURY_1 273050559 Noblet Vincent MADS_MEMBRE_DU_JURY_2 115580166 Pelletier Charlotte MADS_MEMBRE_DU_JURY_3 231642938 Courty Nicolas MADS_RAPPORTEUR_1 103931317 Ienco Dino MADS_RAPPORTEUR_2 172688183 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:004 Université de Kragujevac (Serbie) Gançarski Pierre Ivanović Miloš Courty Nicolas Lampert Thomas Noblet Vincent Pelletier Charlotte Courty Nicolas Ienco Dino École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) PDF 24565825