Modèle explicable basé sur les autoencodeurs pour la détection des classes nouvelles

Abstract

Ce mémoire présente une méthode de classification d’éléments dans des environnements dynamiques,basée sur une architecture modulaire utilisant des autoencodeurs. Le modèle proposé combine un modèle généraliste et des sous-modèles spécialisés pour chaque classe, permettant une adaptation continue aux nouvelles classes. Les expérimentations ont été réalisées sur des images d’espèces biologiques, plus precisement les especes d’invertebres marines et des oiseaux. Les résultats obtenus révèlent une Précision Moyenne Globale de 99,18 %, un Oubli Moyen de 1,75 % et une Plasticité de 95,27 % basés sur l’erreur de reconstruction MSE; une Précision Moyenne Globale de 93,33 %, un Oubli Moyen de 7,73 % et une Plasticité de 79,22 % basés sur l’erreur de reconstruction RMSE; une Précision Moyenne Globale de 66,86 %, un Oubli Moyen de 49,77 % et une Plasticité de 6,8 % basés sur l’erreur relative. Pour le jeu de données d’oiseaux, les résultats montrent une Précision Moyenne Globale de 99,71 %, un Oubli Moyen de 0,08 % et une Plasticité de 99,63 % basés sur l’erreur de reconstruction MSE; une Précision Moyenne Globale de 94,81 %, un Oubli Moyen de 0,83 % et une Plasticité de 94,19 % basés sur l’erreur de reconstruction RMSE; et une Précision Moyenne Globale de 79,01 %, un Oubli Moyen de 5,8 % et une Plasticité de 76,58 % basés sur l’erreur de reconstruction relative après l’intégration de 10 classes. L’étude met en lumière les défis et les opportunités de l’apprentissage continu, ouvrant des perspectives pour la gestion adaptative des écosystèmes marins et d’autres applications nécessitant une classification évolutive dans des environnements dynamiques.