In recent years, algorithms in the area of object detection have constantly been improving. The success of these algorithms has reached a level, where much of the development is focused on increasing speed at the expense of accuracy. As a result of recent improvements in the area of deep learning and new hardware architectures optimized for deep learning models, it is possible to detect objects in an image several hundreds times per second using only embedded and mobile devices. The main objective of this thesis is to study and summarize the most important methods in the area of effective object detection and apply them to a given real-world problem. By using state-of- the-art methods, we developed a traction-by-detection algorithm, which is based on our own object detection models that track transport vehicles in real-time using embedded and mobile devices. 1

Dans le contexte automobile actuel de réduction des émissions de CO2, une réponse semble être apportée par le véhicule électrique. De nombreuses questions se posent alors, notamment concernant l’autonomie, d’autant plus que le nombre de consommateurs électriques dans les véhicules est en constante augmentation. Il est nécessaire de concevoir un groupe-motopropulseur électrique alliant autonomie et performances en considérant les contraintes de coût auxquelles est confronté tout constructeur.Concernant les outils de conception, très nombreux sont les constructeurs qui s’orientent vers d’autres solutions que la réalisation de prototypes en faisant appel à la simulation numérique dès le début du cycle en V pour optimiser leur prédimensionnement et assurer un gain non négligeable sur les délais et les coûts. Les travaux de thèse s’articulent ainsi autour de deux axes. Une première étape consiste à modéliser le réseau électrique automobile (chaîne de traction, système de confort thermique et réseau 14V) afin de simuler son fonctionnement en régime dynamique. L’aspect dynamique est important : des cartographies de pertes ne peuvent suffire si nous nous intéressons aux performances du véhicule en termes d’accélérations. D’autre part, l’autonomie est impactée de façon non négligeable par cet aspect dynamique.Dans une seconde étape, nous procéderons à l’optimisation du système de puissance. Les critères qui nous intéressent, autonomie et performances, sont antagonistes, ce qui donne lieu à la recherche de « meilleurs » compromis. Nous distinguons l’optimisation des lois de pilotage des organes de l’optimisation de l’architecture, les deux étant menées séquentiellement. / In the current automobile trend of global CO2 emissions reduction, the electric vehicle seems to be one of the most effective solutions. It is a new technology and, consequently, many questions appear, in particular concerning the range impacted by the constant increase of the number of electric loads embedded in vehicles. It is necessary to design an electric powertain allying sufficient range and good performances and respecting cost constraints, which is a determining criterion for every car manufacturer. Concerning conception tools, many car manufacturers turn to other solutions that only physical prototypes realization by using numerical simulation from the beginning of the V-cycle in order to optimize powertrain presizing and ensure a significant costs and delays reduction.The thesis works are based on two axes.The first part consists in modeling the power system of electric vehicle (powertrain, air-conditioning, heating system and 14V network) in order to simulate the global system behavior in transient state. The dynamic aspect is important: for example, losses maps cannot be used if we are interested in vehicle performances in terms of accelerations. Moreover, as that will be shown, the vehicle range is impacted in a significant way by the dynamic phenomena. The models are validated by comparison with tests results.In a second part, we proceed to electric power system optimization. The criteria that interest us namely range and performances are conflicting, what gives rise in search of "best" compromises. It is necessary to distinguish control laws optimization from architecture optimization, both being led sequentially.

Over-parameterized networks, where the number of parameters surpass the number of train-ing samples, generalize well on various tasks. However, large networks are computationally expensive in terms of the training and inference time. Furthermore, the lottery ticket hy-pothesis states that a subnetwork of a randomly initialized network can achieve marginal loss after training on a specific task compared to the original network. Therefore, there is a need to optimize the inference and training time, and a potential for more compact neural architectures. We introduce a novel approach “Optimizing ANN Architectures using Mixed-Integer Programming” (OAMIP) to find these subnetworks by identifying critical neurons and re-moving non-critical ones, resulting in a faster inference time. The proposed OAMIP utilizes a Mixed-Integer Program (MIP) for assigning importance scores to each neuron in deep neural network architectures. Our MIP is guided by the impact on the main learning task of the net-work when simultaneously pruning subsets of neurons. In concrete, the optimization of the objective function drives the solver to minimize the number of neurons, to limit the network to critical neurons, i.e., with high importance score, that need to be kept for maintaining the overall accuracy of the trained neural network. Further, the proposed formulation generalizes the recently considered lottery ticket hypothesis by identifying multiple “lucky” subnetworks, resulting in optimized architectures, that not only perform well on a single dataset, but also generalize across multiple ones upon retraining of network weights. Finally, we present a scalable implementation of our method by decoupling the importance scores across layers using auxiliary networks and across di˙erent classes. We demonstrate the ability of OAMIP to prune neural networks with marginal loss in accuracy and generalizability on popular datasets and architectures. / Les réseaux sur-paramétrés, où le nombre de paramètres dépasse le nombre de données, se généralisent bien sur diverses tâches. Cependant, les grands réseaux sont coûteux en termes d’entraînement et de temps d’inférence. De plus, l’hypothèse du billet de loterie indique qu’un sous-réseau d’un réseau initialisé de façon aléatoire peut atteindre une perte marginale après l’entrainement sur une tâche spécifique par rapport au réseau de référence. Par conséquent, il est nécessaire d’optimiser le temps d’inférence et d’entrainement, ce qui est possible pour des architectures neurales plus compactes. Nous introduisons une nouvelle approche “Optimizing ANN Architectures using Mixed-Integer Programming” (OAMIP) pour trouver ces sous-réseaux en identifiant les neurones importants et en supprimant les neurones non importants, ce qui permet d’accélérer le temps d’inférence. L’approche OAMIP proposée fait appel à un programme mixte en nombres entiers (MIP) pour attribuer des scores d’importance à chaque neurone dans les architectures de modèles profonds. Notre MIP est guidé par l’impact sur la principale tâche d’apprentissage du réseau en élaguant simultanément les neurones. En définissant soigneusement la fonction objective du MIP, le solveur aura une tendance à minimiser le nombre de neurones, à limiter le réseau aux neurones critiques, c’est-à-dire avec un score d’importance élevé, qui doivent être conservés pour maintenir la précision globale du réseau neuronal formé. De plus, la formulation proposée généralise l’hypothèse des billets de loterie récemment envisagée en identifiant de multiples sous-réseaux “chanceux”. Cela permet d’obtenir des architectures optimisées qui non seulement fonctionnent bien sur un seul ensemble de données, mais aussi se généralisent sur des di˙érents ensembles de données lors du recyclage des poids des réseaux. Enfin, nous présentons une implémentation évolutive de notre méthode en découplant les scores d’importance entre les couches à l’aide de réseaux auxiliaires et entre les di˙érentes classes. Nous démontrons la capacité de notre formulation à élaguer les réseaux de neurones avec une perte marginale de précision et de généralisabilité sur des ensembles de données et des architectures populaires.