Pour l’industrie textile et de la mode, les images de vêtements sont essentielles de la conception d’un produit à sa vente. Il est donc nécessaire de faciliter leur accès et leur recherche parmi un grand nombre d’images candidates.  Cela repose le plus souvent sur l’apposition de mots clefs afin de les indexer. L’approche retenue dans cette thèse se décompose en deux étapes : localisation de chacun des vêtements, puis caractérisation plus fine du contenu.
Une étude des méthodes de segmentation d’instances a ainsi été réalisée. Après avoir montré que les approches classiques de validation de masques de segmentation ne sont pas adaptées à nos cas d’usages, un protocole d’évaluation à trois niveaux a été proposé : global, contour, contenu.
Enfin, il est parfois difficile de classer une image avec une unique étiquette. La classification multi-étiquettes des images est alors plus adaptée. L’application des méthodes d’apprentissage supervisé à ce type de problème nécessite cependant des données dédiées, dont la collecte et l’annotation sont complexes. Pour répondre à ce problème, nous avons développé une méthode faiblement supervisée, nécessitant seulement une étiquette positive connue par image. L’entraînement repose alors sur une nouvelle stratégie efficace pour estimer des exemples négatifs pour chaque classe.

Thèse soutenue en présentiel et possibilité de la suivre en visioconférence, ici.