Note ABES Learning object-centric latent representations of surgical videos for fine-grained recognition tasks Apprentissage de représentations latentes centrées sur les objets pour la reconnaissance de tâches fines dans des vidéos chirurgicales Apprentissage profond Vision par Ordinateur Apprentissage centré sur les objets Analyse de Video Chirurgicales Deep Learning Computer Vision Object-Centric Learning Surgical Video Analysis 006 Apprentissage profond Vision par ordinateur en médecine Vidéo en services de santé L’analyse des vidéos chirurgicales offre un fort potentiel pour améliorer la pratique clinique,notamment pour l’évaluation des performances et l’assistance peropératoire. À mesure que larecherche progresse vers des tâches de compréhension plus fines, le développement de méthodesefficaces limitant le recours à des annotations manuelles coûteuses devient essentiel. Dans cettethèse, nous proposons un cadre unifié pour la classification fine d’images et de vidéos basé surdes représentations de graphes latents capturant les relations spatiales et temporelles entre objets. Nous introduisons également une approche de généralisation de domaine surpassant les méthodes de référence. Enfin, afin de réduire le coût d’annotation, nous intégrons le modèle de segmentation ouvert SAM à travers une stratégie originale d’adaptation few-shot. Des expériences dans différents contextes montrent les bénéfices de ce cadre pour l’analyse des vidéos chirurgicales. Surgical video analysis has the potential to greatly improve surgical practice by improving perfor-mance assessment and intraoperative support. As the field advances towards fine-grained tasks,there is a need for effective methods that can be trained without expensive manual annotations. Inthis thesis, we construct a unified framework for fine-grained image and video classification basedon latent graph representations that capture spatial and temporal object relationships. Leveragingour framework, we develop a domain generalization approach that significantly outperformsconventional baselines. Finally, we tackle the annotation bottleneck by integrating the generalistopen-set segmentation model SAM through a novel few-shot adaptation approach. Throughexperiments across numerous settings (in-domain, out-of-domain, data efficiency, label efficiency),we illustrate the benefits of our framework and shed light on how to better approach new surgicalvideo analysis tasks in the future. Electronic Thesis or Dissertation Text en PDF 26966751 https://publication-theses.unistra.fr/public/theses_doctorat/2025/MURALI_Aditya_2025_ED269.pdf http://www.theses.fr/2025STRAD057/abes https://theses.hal.science/tel-05536234 https://theses.hal.science/tel-05536234 https://theses.hal.science/tel-05536234 Murali Aditya 1998-08-20 FR 271674946 213110859JB 22124760 4200018 https://theses.fr/2025STRAD057 2025STRAD057 https://doi.org/10.70675/a4a32894zdec0z4631za616z18869994900b 2025-11-19 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Padoy Nicolas MADS_DIRECTEUR_DE_THESE_1 2700 14741167X Mutter Didier MADS_DIRECTEUR_DE_THESE_2 090340612 Mathelin Michel de MADS_PRESIDENT_DU_JURY 079382983 Mascagni Pietro MADS_MEMBRE_DU_JURY_1 294382720 Yeung-Levy Serena MADS_MEMBRE_DU_JURY_2 29438278X Unberath Mathias MADS_RAPPORTEUR_1 272172006 Thome Nicolas MADS_RAPPORTEUR_2 12878332X 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 Padoy Nicolas Mutter Didier Mathelin Michel de Mascagni Pietro Yeung-Levy Serena Unberath Mathias Thome Nicolas 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 26966751