Regroupement d'images utilisant les réseaux antagoniste génératifs

Abstract

In this thesis, we explore the application of large-scale unsupervised learning by combining two cutting-edge techniques: deep clustering and generative adversarial networks (GANs). Our approach leverages GANs to learn highly discriminative data representations, which are subsequently used for clustering. We begin with an in-depth review of traditional clustering methods and recent developments in the field of unsupervised deep learning. Next, we introduce GANs and explain how they can be adapted to generate useful data representations for clustering. Subsequently, we present a deep clustering method using GANs, detailing the network architecture and associated optimization algorithms. We evaluate our approach on several standard datasets and demonstrate its ability to outperform competing methods in terms of clustering quality and robustness to data variations. Finally, we discuss the implications of our work, current limitations, and future research directions in the field of deep clustering and the use of GANs for unsupervised learning. This thesis contributes to opening new perspectives for unsupervised learning by combining two exciting research areas and demonstrating their synergy in the context of large-scale data clustering. ----------------------------------------------------------------------------------- في هذه المذكرة، نستكشف تطبيق التعلم غير الموجه على نطاق واسع من خلال الجمع بين تقنيتين متقدمتين: التجميع العميق والشبكات التوليدية التنافسية (GANs)تعتمد طريقتنا على استخدام الشبكات التوليدية التنافسية لتعلم تمثيلات بيانات تمييزية عالية، والتي تُستخدم بعد ذلك للتجميع نبدأ بمراجعة شاملة لأساليب التجميع التقليدية والتطورات الحديثة في مجال التعلم العميق غير الموجه. بعد ذلك، نقدم الشبكات التوليدية التنافسية ونشرح كيف يمكن تكييفها لتوليد تمثيلات بيانات مفيدة للتجميع بعد ذلك، نقدم طريقة للتجميع العميق باستخدام الشبكات التوليدية التنافسية، مع تفصيل بنية الشبكة والخوارزميات المماثلة المرتبطة بها. نقوم بتقييم نهجنا على عدة مجموعات بيانات قياسية ونثبت قدرته على التفوق على الأساليب المنافسة من حيث جودة التجميع ومتانته تجاه التغيرات في البيانات أخيرًا، نناقش تأثيرات عملنا، والقيود الحالية، واتجاهات البحث المستقبلية في مجال التجميع العميق واستخدام الشبكات التوليدية التنافسية للتعلم غير الموجه تساهم هذه المذكرة في فتح آفاق جديدة للتعلم غير الموجه من خلال الجمع بين مجالين بحثيين مثيرين وإثبات تآزرهما في سياق تجميع البيانات على نطاق واسع ---------------------------------------------------------------------------------- Dans ce mémoire, nous explorons l'application de l'apprentissage non supervisé à grande échelle en combinant deux techniques de pointe : le clustering profond et les réseaux adversaires génératifs (GAN). Notre approche repose sur l'utilisation des GAN pour apprendre des représentations de données hautement discriminatives, qui sont ensuite utilisées pour le clustering. Nous commençons par une revue approfondie des méthodes de clustering traditionnelles et des développements récents dans le domaine de l'apprentissage profond non supervisé. Ensuite, nous introduisons les GAN et expliquons comment ils peuvent être adaptés pour générer des représentations de données utiles pour le clustering. Par la suite, nous présentons une méthode de clustering profond utilisant les GAN, en détaillant l'architecture du réseau et les algorithmes d'optimisation associés. Nous évaluons notre approche sur plusieurs ensembles de données standards et démontrons sa capacité à surpasser les méthodes concurrentes en termes de qualité de clustering et de robustesse aux variations des données. Enfin, nous discutons des implications de notre travail, des limitations actuelles et des directions futures de recherche dans le domaine du clustering profond et de l'utilisation des GAN pour l'apprentissage non supervisé.