Impact de la variation de la distribution de luminosité des données sur les modèles d’apprentissage profond

Abstract

La puissance de généralisation des classifieurs est directement influencée par les données d'entraînement. Il est bien établi que les modèles de classification donnent de meilleurs résultats lorsqu'ils sont entraînés et évalués sur des données suivant la même loi de distribution. Cependant, en pratique, les données utilisées ne sont pas toujours conformes à une même loi de distribution, et un tel changement peut impacter la puissance de généralisation des modèles. Notre objectif dans ce mémoire est de mesurer l'impact de la variation de la loi de distribution de la luminosité des images sur les modèles d'apprentissage profond. Nous nous sommes focalisés sur la prédiction simultanée de l'âge, du genre et de l'ethnicité d'un individu à partir des images faciales. Nous avons limité notre projet à l'utilisation des modèles neuronaux à plusieurs sorties connus sous le nom anglo-saxon de Convolutional Neural Network (CNN) et Residual Network (ResNet). Les résultats obtenus en utilisant trois bases de données (UTKFace, FairFace et FFHQ) nous montrent que le changement de distribution a un impact significatif sur la prédiction de l'âge, du genre et de l'ethnicité en utilisant les modèles d'apprentissage profond. Mots clés : Distribution de données, Apprentissage profond, prédiction de l’âge, du genre et de l’ethnicité, Réseau de neurones convolutifs, Réseaux résiduels profonds.