École de technologie supérieure
La vraie utilité de l’adaptation des paramètres des couches de normalisation d’un CNN en Fully Test Time Adaptation
Abstract
dc:descriptionAvec les résultats prometteurs achevés par les méthodes qui se basent sur l’approche du Fully Test Time Adaptation, la communauté de la vision par ordinateur apporte un intérêt de recherche de plus en plus important pour étudier cette approche. L’élément caractéristique de cette approche est qu’elle abandonne l’adaptation d’un réseau de neurones à un changement de distribution de données lors de la phase d’apprentissage pour restreindre cet ajustement à la phase d’inférence pour chaque nouveau lot de test. Dans la littérature, la plupart des méthodes qui étudient cette approche focalisent sur l’adaptation des paramètres des couches de normalisation des CNNs, ce qui permet d’obtenir des bons résultats. Ainsi la question qui se pose, est ce que vraiment on a besoin d’adapter tous les paramètres des couches de normalisation pour achever ces résultats ? Pour répondre à cette question on propose ce travail pour étudier l’utilité et l’efficacité d’adapter les différents paramètres des couches de normalisation d’un CNN lors du FTTA. Dans ce contexte, on a proposé une étude comparative qui discute l’effet de divers éléments sur l’efficacité de l’application du FTTA à la segmentation bimodale des tumeurs de la tête et du cou en utilisant les deux modalités CT-Scan et PET-Scan. Les résultats obtenus montrent que les paramètres à adapter représentent l’élément le plus critique en appliquant l’approche FTTA et prouvent que le gain achevé en adaptant les paramètres appris par le réseau (alpha et beta) des couches de normalisation d’un CNN est négligeable, en comparaison au gain obtenu en choisissant les bons paramètres statistiques de ces couches. Ceci pose une vraie question sur l’utilité d’adapter les paramètres alpha et beta souvent utilisé en FTTA dans la littérature. Pour généraliser ces résultats, on a étendu notre étude vers un scénario de classification d’images naturelles en utilisant la base CIFAR. Les résultats obtenus pour ce deuxième scénario confirment bien nos premiers résultats et l’interrogation posée. Le code de ce projet se trouve dans le répertoire GitHub suivant : https://github.com/ghassenbaklouti/FTTA-For-HNTS.
Degree
thesis:*- Name thesis:degree_name
- Mémoire de maîtrise électronique
- Level thesis:degree_level
- masters
- Grantor dc:publisher
- École de technologie supérieure
- Year dc:date
- 2023
Author and committee
dc:creator, dc:contributor.*- Author dc:creator
-
- Baklouti, Ghassen
Subjects
dc:subject × 1Rights
- Language dc:language
- fr
Identifiers
dc:identifier.*- Identifier
- INSERT-YOUR-LIBRARY-ID-HERE3335