La soutenance se déroulera le vendredi 25 mai, à 14h et sera suivie du traditionnel pot de thèse au même étage (à partir de 17h), auquel vous êtes cordialement invités.
La soutenance sera soutenue en anglais et évaluée par le jury suivant :
- Pierre GANCARKI, Professeur à l’Université de Strasbourg / rapporteur
- Emmanuel TROUVE, Professeur à l’Université Savoie Mont Blanc / rapporteur
- Anthony BAGNALL, Senior Lecturer à l’Université d’East Anglia / examinateur
- Maria RIFQI, Professeur à l’Université Panthéon-Assas Paris 2 / examinateur
- Sébastien Lefèvre, Professeur à l’Université Bretagne Sud / directeur de thèse
- Romain TAVENARD, Maître de conférences à l’Université Rennes 2 / co-directeur de thèse
- Laetitia CHAPEL, Maître de conférences à l’Université Bretagne Sud / co-directrice de thèse
Résumé :
La classification de séries temporelles a suscité beaucoup d’intérêt au cours des dernières années en raison de ces nombreuses applications. Nous commençons par proposer la méthode Dense Bag-of-Temporal-SIFT-Words (D-BoTSW) qui utilise des descripteurs locaux basés sur la méthode SIFT, adaptés pour les données en une dimension et extraits à intervalles réguliers. Des expériences approfondies montrent que notre méthode D-BoTSW surpassent de façon significative presque tous les classificateurs de référence comparés. Ensuite, nous proposons un nouvel algorithme basé sur l’algorithme Learning Time Series Shapelets (LTS) que nous appelons Adversarially-Built Shapelets (ABS). Cette méthode est basée sur l’introduction d’exemples adversaires dans le processus d’apprentissage de LTS et elle permet de générer des shapelets plus robustes. Des expériences montrent une amélioration significative de la performance entre l’algorithme de base et notre proposition. En raison du manque de jeux de données labelisés, formatés et disponibles en ligne, nous utilisons deux jeux de données appelés TiSeLaC et Brazilian-Amazon.
Abstract :
Time Series Classification (TSC) has received an important amount of interest over the past years due to many real-life applications. In this PhD, we create new algorithms for TSC, with a particular emphasis on Remote Sensing (RS) time series data. We first propose the Dense Bag-of-Temporal-SIFT-Words (D-BoTSW) method that uses dense local features based on SIFT features for 1D data. Extensive experiments exhibit that D-BoTSW significantly outperforms nearly all compared standalone baseline classifiers. Then, we propose an enhancement of the Learning Time Series Shapelets (LTS) algorithm called Adversarially-Built Shapelets (ABS) based on the introduction of adversarial time series during the learning process. Adversarial time series provide an additional regularization benefit for the shapelets and experiments show a performance improvement between the baseline and our proposed framework. Due to the lack of available RS time series datasets, we also present and experiment on two remote sensing time series datasets called TiSeLaC and Brazilian-Amazon.
