| Titre : | Adversarial Image Generation using Optimisation |
| Auteurs : | nezar Temim, Auteur ; Bilal Mokhtari, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2023 |
| Format : | 1vol.(62p.) / ill.couv.ill.encoul / 30cm |
| Langues: | Français |
| Résumé : |
Les syst`emes de classification et de reconnaissance d’images ont connus un grand progr`es grˆace `a l’utilisation des r´eseaux profond. Cependant, ces syst`emes sont vuln´erables aux attaques d’images contradictoires, ce qui peut entraˆıner des erreurs de classification. Nous avons propos´e une approche novatrice utilisant des images contradictoires qui repr´esentent des images contenant un bruit invisible `a l’oeil humain, mais qui peuvent inciter les mod`eles d’apprentissage profond `a faire des mauvaise pr´edictions. Ces images vont donc ˆetre utilis´ees pour am´eliorer les performances des mod`eles d’apprentissage automatique au lieu de les affaiblir. Elle sont donc consid´er´ees comme ´etant une opportunite plutˆot qu’un d´efaut. La g´en´earation de ce type d’images se fait en utilisant les r´eseaux antagonistes g´en´eratifs, et un algorithme d’optimisation permettant des´electionner les meilleures images parmi toutes les images g´en´er´ees. Les images g´en´er´ees enrichissent ensuite la base de donn´ees d’entraˆınement, ce qui va avoir un impact positif sur la pr´ecision du mod`ele. Les r´esultats obtenus sur diff´erentes bases de donn´ees montrent une augmentation significative de la pr´ecision et du taux d’apprentissage correct grˆace `a l’utilisation de ces images g´en´er´ees. |
| Sommaire : |
Table des mati`eres Remerciements I R´esum´e II Introduction g´en´erale 1 1 G´en´eration d’images et R´eseaux Antagistes G´en´eratifs 1.1 Introduction . . 2 1.2 G´en´eration d’images . . . 2 1.2.1 D´efinition de la g´en´eration d’images . . 2 1.2.2 M´ethodes de la g´en´eration d’images . . . 3 1.2.2.1 R´eseaux Antagonistes G´en´eratifs (GAN) .. 3 1.2.2.2 Autoencodeurs variationnels (VAE) . . 4 1.2.2.3 Mod`eles autor´egressifs . . .. 6 1.2.2.4 Mod`eles bas´es sur des flux . . . 7 1.3 R´eseaux antagonistes g´en´eratifs GANs . . . . 9 1.3.1 Pr´esentation des GANs . 9 1.3.2 Bref historique et ´evolution des GANs . . . 10 1.3.3 Fonctionnement d’un GAN .. 11 1.3.4 Pr´esentation de la structure du GAN . . . 11 1.3.5 Processus de formation du GAN pour la g´en´eration d’images . . 12 1.4 La relation entre la g´en´eration d’images et les GAN . . . . 13 1.5 Applications des GAN pour la g´en´eration d’images . . . 13 1.5.1 Transfert de style . . . . 13 1.5.2 La super-r´esolution d’image . . .. 14 1.5.3 L’imagerie d’inpainting . . . 15 1.5.4 L’image de synth`ese . . . . 16 1.6 D´efis et tenda . 17 1.7 Attaques contradictoires (adversarial attacks) . 18 1.7.1 Description des attaques contradictoires .. 18 1.7.2 Utilisation des GANs pour la g´en´eration des images contradictoires 18 1.7.3 Diff´erents types d’attaques contradictoires . . 19 1.7.4 Contre-attaque du BIM contre les attaques FGSM et PGD . . . 19 1.8 Le lien entre le bruit et la g´en´eration d’images . . . 20 1.9 Conclusion . . . .. 20 2 Utilisation de l’optimisation pour la g´en´eration d’images 22 2.1 Introduction . . . . 22 2.2 G´en´eration des images en utilisant l’optimisation . .. 22 2.2.1 Methodes d’amelioration de la generation d’image et leur lien avec l’optimisation . . . 23 2.2.1.1 Auto-encodeurs . 23 2.2.1.2 Apprentissage par renforcement . . . 23 2.2.1.3 Algorithmes evolutifs . . 23 2.2.2 Bref historique et ´evolution des m´ethodes d’optimisation . . . . . 24 2.2.3 Importance de la g´en´eration des images en utilisant l’optimisation 25 2.3 Comprendre l’optimisation pour la g´en´eration d’images. . 26 2.3.1 Les principes fondamentaux de l’optimisation pour la g´en´eration d’images . . . . . 26 2.3.2 Algorithmes d’optimisation pour la g´en´eration d’images . . . 26 2.3.2.1 D´escente du gradient (Gradient Descent) . .. 27 2.3.2.2 . 28 2.3.2.3 Momentum . . 28 2.3.2.4 Algorithmes g´en´etiques . . 29 2.3.2.5 Recuit simul´e . . 30 2.3.2.6 Strat´egies d’´evolution . . . 30 2.3.2.7 L’optimisation al´eatoire . .. 31 2.4 D´efis et orientations futures . . 32 2.4.1 D´efis li´es `a l’optimisation pour la g´en´eration d’images . . 32 2.4.1.1 Data scarcity . . . 32 2.4.1.2 Complexit´e informatique (Computational complexity) . 33 2.4.1.3 Non-convexit´e (Non-convexity) . . . 33 2.4.1.4 Haute dimensionnalit´e (High dimensionality) .. . 34 2.4.1.5 Probl`eme de Gradients . . . 35 2.4.2 R´esolution des probl`emes li´es aux algorithmes d’optimisation . . . 35 2.4.2.1 Probl`eme de Gradients . . 35 2.4.2.2 Probl`eme de la complexit´e informatique . . 36 2.4.2.3 Probl`eme de non-convexit´e . . . 37 2.4.3 Impact de l’utilisation de l’optimisation pour la g´en´eration d’images 38 2.4.3.1 Stabilit´e am´elior´ee de l’entraˆınement . 38 2.4.3.2 R´ealisme accru . . 38 2.4.3.3 Am´elioration de la contrˆolabilit´e .. 38 2.4.3.4 Nouvelles applications . .. 39 2.5 Conclusion . . . 39 3 Architecture, impl´ementation, et r´esultats 40 3.1 Introduction . . . . 41 3.2 Architecture du syst`eme propos´e . . . 41 3.3 Architecture g´en´erale . . . 41 3.4 Architecture d´etaill´ee . . . 42 3.4.1 Dataset . .. 42 3.4.2 Phase de g´en´eration des images . . . . 43 3.4.2.1 Pr´eparation de donn´ees d’entr´ee . . . 43 3.4.2.2 D´eterminer le degr´e de bruit (epsilon) . . 43 3.4.2.3 G´en´eration d’image . . . . 43 3.4.2.4 La s´election des images . . . 43 3.4.3 Phase de d’optimisation de l’image . . . . 44 3.4.3.1 D´eterminer les r`egles de s´election des image.. 44 3.4.4 Phase d’entraˆınement en utilisant la base de donn´ees augment´ee 45 3.4.4.1 Collecter la dataset . .. 45 3.4.4.2 Pr´eparation de donn´ees . . 46 3.4.4.3 Entrainement du mod`ele . . 47 3.4.4.4 Evaluation du mod`ele . .. 47 3.4.4.5 La pr´ediction . 47 3.5 Impl´ementation et r´esultats obtenus . . 48 3.5.1 Environnements et outils . 48 3.5.1.1 Configuration mat´erielle . . 48 3.5.1.2 Environnement de d´eveloppement : . .. 48 3.5.2 Processus de l’impl´ementation . . . 51 3.5.3 Impl´ementation de Phase de pr´eparation de datast . .. 52 3.5.3.1 Impl´ementation de la phase de la g´en´eration des images 53 3.5.3.2 Impl´ementation de la phase de d’optimisation de l’image 55 3.5.3.3 Augmentation automatique des donn´ees . . 56 3.5.3.4 Impl´ementation de la phase de entraˆınement de CNN sur les image contradictoir . . . 57 3.5.4 R´esultats . . . 59 3.5.5 Disc . 61 3.6 Conclusion . .. 62 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/796 | Mémoire master | bibliothèque sciences exactes | Consultable |
