Deep learning of representations and its application to computer vision

L’objectif de cette thèse par articles est de présenter modestement quelques étapes du parcours qui mènera (on espère) à une solution générale du problème de l’intelligence artificielle. Cette thèse contient quatre articles qui présentent chacun une différente nouvelle méthode d’inférence perceptive en utilisant l’apprentissage machine et, plus particulièrement, les réseaux neuronaux profonds. Chacun de ces documents met en évidence l’utilité de sa méthode proposée dans le cadre d’une tâche de vision par ordinateur. Ces méthodes sont applicables dans un contexte plus général, et dans certains cas elles on tété appliquées ailleurs, mais ceci ne sera pas abordé dans le contexte de cette de thèse. Dans le premier article, nous présentons deux nouveaux algorithmes d’inférence variationelle pour le modèle génératif d’images appelé codage parcimonieux “spike- and-slab” (CPSS). Ces méthodes d’inférence plus rapides nous permettent d’utiliser des modèles CPSS de tailles beaucoup plus grandes qu’auparavant. Nous démontrons qu’elles sont meilleures pour extraire des détecteur de caractéristiques quand très peu d’exemples étiquetés sont disponibles pour l’entraînement. Partant d’un modèle CPSS, nous construisons ensuite une architecture profonde, la machine de Boltzmann profonde partiellement dirigée (MBP-PD). Ce modèle a été conçu de manière à simplifier d’entraînement des machines de Boltzmann profondes qui nécessitent normalement une phase de pré-entraînement glouton pour chaque couche. Ce problème est réglé dans une certaine mesure, mais le coût d’inférence dans le nouveau modèle est relativement trop élevé pour permettre de l’utiliser de manière pratique. Dans le deuxième article, nous revenons au problème d’entraînement joint de machines de Boltzmann profondes. Cette fois, au lieu de changer de famille de modèles, nous introduisons un nouveau critère d’entraînement qui donne naissance aux machines de Boltzmann profondes à multiples prédictions (MBP-MP). Les MBP-MP sont entraînables en une seule étape et ont un meilleur taux de succès en classification que les MBP classiques. Elles s’entraînent aussi avec des méthodes variationelles standard au lieu de nécessiter un classificateur discriminant pour obtenir un bon taux de succès en classification. Par contre, un des inconvénients de tels modèles est leur incapacité de générer deséchantillons, mais ceci n’est pas trop grave puisque la performance de classification des machines de Boltzmann profondes n’est plus une priorité étant donné les dernières avancées en apprentissage supervisé. Malgré cela, les MBP-MP demeurent intéressantes parce qu’elles sont capable d’accomplir certaines tâches que des modèles purement supervisés ne peuvent pas faire, telles que celle de classifier des données incomplètes ou encore celle de combler intelligemment l’information manquante dans ces données incomplètes. Le travail présenté dans cette thèse s’est déroulé au milieu d’une période de transformations importantes du domaine de l’apprentissage à réseaux neuronaux profonds qui a été déclenchée par la découverte de l’algorithme de “dropout” par Geoffrey Hinton. Dropout rend possible un entraînement purement supervisé d’architectures de propagation unidirectionnel sans être exposé au danger de sur- entraînement. Le troisième article présenté dans cette thèse introduit une nouvelle fonction d’activation spécialement con ̧cue pour aller avec l’algorithme de Dropout. Cette fonction d’activation, appelée maxout, permet l’utilisation de aggrégation multi-canal dans un contexte d’apprentissage purement supervisé. Nous démontrons comment plusieurs tâches de reconnaissance d’objets sont mieux accomplies par l’utilisation de maxout. Pour terminer, sont présentons un vrai cas d’utilisation dans l’industrie pour la transcription d’adresses de maisons à plusieurs chiffres. En combinant maxout avec une nouvelle sorte de couche de sortie pour des réseaux neuronaux de convolution, nous démontrons qu’il est possible d’atteindre un taux de succès comparable à celui des humains sur un ensemble de données coriace constitué de photos prises par les voitures de Google. Ce système a été déployé avec succès chez Google pour lire environ cent million d’adresses de maisons.

Étude sur les propriétés physicochimiques et électrochimiques des liquides ioniques redox et leur application en tant qu’électrolyte dans les supercapaciteurs

Ce mémoire porte sur les recherches et les développements dans le domaine des électrolytes à base de liquide ionique redox. Une nouvelle famille de liquide ionique redox basée sur le ferrocenylsulfonyl(trifluoromethylsulfonyl) (FcNTf) a été développée et étudiée pour la première fois afin de démontrer le potentiel de ces liquides ioniques dans les dispositifs de stockage d’énergie. En premier lieu, les liquides ioniques redox (RILs) composés de l’anion électroactif et du cation d’alkylimidazolium sont synthétisés et caractérisés. L’impact de la variation des chaînes alkyles du cation sur les propriétés physicochimiques et électrochimiques du RIL a été étudié. À une faible concentration en solution, l’impact du cation a peu d’influence sur l’ensemble des propriétés. Cependant, à haute concentration (>50 % massique) et sans électrolyte de support, la formation de films en oxydation a été observée à l'électrode positive. Ce point est intéressant pour les futures recherches et développements dans le domaine, puisque la variation des chaînes alkyles du cation des liquides ioniques redox et la formation de films lors de l’oxydation du FcNTf est peu connue et comprise en littérature. De plus, l’optimisation des conditions de solution d'électrolyte RIL dans les supercapaciteurs est aussi présentée. En deuxième lieu, la mise en application des RILs dans les supercapaciteurs a été testée. La performance énergétique et le mécanisme d’autodécharge ont été ciblés dans cette étude. En présence de l’électrolyte redox, la contribution des réactions faradaiques permet d'accomplir un gain énergique de 287 % versus les systèmes purement capacitifs. À cause de la formation de film à l’électrode, l’électrolyte redox FcNTf joue un rôle primordial dans la prévention de l’autodécharge versus les liquides ioniques qui étaient connus jusqu’à présent. Finalement, ce mémoire a permis de mieux comprendre les effets structure-propriétés relative aux modifications du cation chez les liquides ioniques redox.