Ce projet consiste en la conception, réalisation et tests d’outils informatiques servant a facilité le travail de recherche et développement de nouvelles méthodes de correction d’images digitales thermiques. Les outils crée par l’étudiant servirons à supporter les opérations d’acquisition de donnée et de calibrations et correction d’images infrarouges dans le but de les rendre visuellement propres (sans défauts) et d’être en mesure d’estimer la température en dégrée Celsius des objets dans la scène.

L’intelligence artificielle et l’apprentissage profond font leur entrée dans notre vie. Que ce soit par le biais de moteurs de suggestion de film, d’assistant vocale ou d’aide à la conduite automobile, il est désormais pris pour acquis que cette technologie est là pour rester. Mais les modèles d’intelligence artificielle que nous connaissons aujourd’hui souffrent tous du même défaut. Ils peuvent être entraînés pour effectuer une tâche donnée, mais ils cessent d’apprendre dès que cet entraînement est terminé. Or, nous évoluons dans un environnement changeant et dynamique.

Deep learning technology is a great tool to learn complex patterns and make prediction based on this learning. In order to get the most accurate predictions, one needs to train those neural networks on vast amount of labelled data. Labelling data is a time consuming and costly task. Using semi supervised learning, it should be possible to label a fraction of the dataset and let the neural network learn by itself on the rest of the, unlabelled, data, thus greatly reducing the overhead of using deep learning technology.

To achieve useful results in training deep neural network, one typically needs huge number of labelled images. In most practical cases, it is often time consuming, expensive and sometimes even near impossible to get the required numbers of labelled images. Data augmentation consists in a set of image processing techniques that can be applied to an image to generate another slightly different image. By doing so, one can efficiently increase the number of different images to feed the training phase of a neural network.