Sujet de recherche

Je fais ma thèse en Apprentissage Automatique/Reconnaissance d'Objet, dans le Groupe Vision et Robotique à Cambridge University. On fait partie du Laboratoire d'Intelligence Automatique du Département d'Ingénierie. Mes directeurs de thèse sont Pr Christopher Bishop et Pr Roberto Cipolla, et je suis financée par une Bourse Européenne Microsoft Research.

Les modèles probabilistiques en Reconnaissance d'Objet sont groupés dans deux catégories: les modèles génératifs, qui essaient de décrire le processus qui a produit les images telles que nous les voyons, en optimisant la vraisemblance jointe entre données et labels p(x,c). Et les modèles discriminatifs, qui tentent de trouver la meilleure séparation possible entre les différentes catégories, en optimisant la distribution a posteriori des labels p(c|x).

Les deux approches ont des avantages différents. Les modèles génératifs sont puissants parce qu'ils représentent ce à quoi ressemble une classe particulière. Le modèle de chaque classe est appris indépendemment des autres classes, alors que les modèles discriminatifs doivent être réappris à chaque ajout de classe. De plus, les modèles génératifs se débrouillent plutôt bien avec des données incomplètes parce qu'il sont capables de générer ce qui manque. D'un autre côté, les modèles discriminatifs se concentrent sur les frontières entre classes, sur ce qui est ambigu, ce qui les rend plus efficaces et plus performants en terme de clasification.

J'étudie principalement la construction de modèles hybrides qui puissent combiner les approches générative et dicriminative.