Soutenance en Automatique, Productique, Signal et Image, Ingénierie cognitique
Soutenance en Electronique
par Paul MELKI (Laboratoire de l'Intégration du Matériau au Système)
Cette soutenance a lieu le 17-06-2025 à 9h00 - Amphithéâtre JP Dom 351 Cours de la Libération Bâtiment A31, Laboratoire IMS 33400 Talence
devant le jury composé de
Le secteur agricole fait actuellement face à de nombreux défis et à des changements structurels accentués par la démographie, le changement climatique, l'impact environnemental, les modes de consommation, la compétitivité, entre autres. Pour y faire face, les technologies du numérique, se présentent comme un des principaux leviers. Ces dernières années, la possibilité d'acquérir de grandes bases de données, les capacités de calcul accrues ainsi que des avancées théoriques clés ont permis l'essor de nouvelles méthodes d'apprentissage basées sur les réseaux de neurones profonds. Cependant, à mesure que ces modèles ont commencé à être déployés dans des cas d'utilisation critiques pour la sécurité dans le monde réel, il est devenu évident qu'ils présentent un écart significatif entre leurs performances "en laboratoire" dans un contexte contrôlé et leur qualité prédictive "dans le monde réel." Ce même constat a été fait lors du développement d'un système de pulvérisation autonome, qui doit détecter et pulvériser de l'herbicide en temps réel, uniquement là où et quand cela est nécessaire. Un tel système doit être fiable et digne de confiance, car toute mauvaise herbe non traitée peut se multiplier rapidement et causer d'importants dégâts aux cultures, entraînant ainsi des pertes significatives pour les agriculteurs. Ce cas d'usage s'inscrit parfaitement dans le contexte de la prise de décision en situation d'incertitude. Afin de développer des méthodes plus fiables pour évaluer la qualité des modèles d'apprentissage et fournir des garanties valides sur la qualité des prédictions et des décisions produites par le système, ainsi que pour exploiter la multitude de données auxiliaires décrivant les caractéristiques environnementales et géographiques associées aux images, nous nous tournons vers la prédiction conforme comme une approche holistique pour répondre à ces problématiques. Dans ce contexte, cette thèse apporte plusieurs contributions. (1) Tout d'abord, nous proposons une nouvelle fonction de score de non-conformité, le Penalized Inverse Probability (PIP), ainsi que sa version régularisée (RePIP), et démontrons comment elles permettent d'optimiser conjointement les deux mesures d'utilité d'un prédicteur conforme, à savoir l'efficacité et l'informativité. (2) En nous tournant vers le problème pratique en question, nous intégrons le prédicteur conforme dans une chaîne de traitement complète qui transforme les images en décisions de pulvérisation et montrons comment elles peuvent garantir le rappel (coverage) d'au moins 100(1-α)% des mauvaises herbes, où α est la tolérance à l'erreur définie par l'utilisateur, sur trois configurations expérimentales pour simuler des cas d'études en allant de la situation la plus simple (contexte contrôlé) à la plus complexe (changement brutal de la distribution des données). (3) Enfin, en nous concentrant sur les métadonnées, nous proposons un cadre conceptuel pour modéliser l'influence des facteurs exogènes décrits par ces variables auxiliaires sur l'approche de prédiction conforme et proposons une nouvelle méthode, simple et élégante, basée sur la régression quantile, pour obtenir des résultats de coverage conditionnelle par groupe d'observations partageant les mêmes caractéristiques environnementales et géographiques. (4) Finalement, nous développons une nouvelle méthodologie pour dissocier les représentations apprises par le réseau de neurones de l'influence des facteurs exogènes décrits par les données auxiliaires de manière à apprendre des représentations invariantes par groupe et étudions son impact sur l'approche conforme conditionnelle par groupe.
par Maxime LE GALL (Laboratoire de l'Intégration du Matériau au Système)
Cette soutenance a lieu le 10-06-2025 à 13h45 - Amphi Jean-Paul Dom 351 Cours de la Libération, 33405 Talence
devant le jury composé de
Depuis deux décennies, le secteur du Nouvel Espace réinvente l'industrie spatiale traditionnelle. Ce renouveau se manifeste par le développement de technologies micro-ondes innovantes, à faible coût, hautement intégrées et performantes. Parmi elles, le guide d'ondes intégré au substrat rempli d'air (AFSIW), introduit en 2014, combine les faibles pertes des guides d'ondes conventionnels avec l'intégration et les coûts réduits des technologies planaires. Des travaux antérieurs ont démontré que cette technologie répond efficacement aux exigences du Nouvel Espace, notamment dans la conception de dispositifs passifs tels que des filtres, des coupleurs ou encore des isolateurs. L'objectif est d'explorer davantage cette technologie, en progressant du niveau du circuit, avec la réalisation de fonctions passives innovantes évaluée en environnement spatial, jusqu'au niveau du système, avec la cointégration de composant actifs et passifs.