République Algérienne Démocratique Et Populaire

Ministère De L'enseignement Supérieur Et La

Recherche Scientifique université Mohamed Bougara
de Boumerdes

Faculté De Technologie

Département De Génie électrique

Option : Automatique et informatique industriel

Thème:

Apprentissage Auto-supervisé pour la

Reconnaissance Faciale

Réaliser par : Encadré par :

BOUGHERBAL Melissa [Link]
Contents

Listes des figures :......................................................................................................................4

Les abréviations..........................................................................................................................5
Introduction :...............................................................................................................................1
Définition d’apprentissage :........................................................................................................2
1- L'apprentissage automatique...............................................................................................2
1-1 Apprentissage Supervisé...................................................................................................2
1-2 l'apprentissage non supervisé............................................................................................5
2 -Apprentissage profond............................................................................................................6
2.1 Réseaux de neurones.........................................................................................................7
2.2 Réseaux de neurones convolutifs......................................................................................9
2.3 Apprentissage par Transfert..............................................................................................9
2.4 Apprentissage auto-supervisé..........................................................................................10
3-Principes de Base de la Reconnaissance Faciale...................................................................11
3.1. Extraction des Caractéristiques :....................................................................................12
3.2. Création d'une Signature Faciale :.................................................................................12
3.3. Comparaison et Correspondance :.................................................................................12
3.4. Utilisation de Modèles Statistiques ou d'Apprentissage Automatique :........................12
4-Les domaines d’application de la reconnaissance faciale.....................................................13
5-Les avantages et les inconvénients de la reconnaissance faciale.......................................14
5-1 Les avantages de la reconnaissance faciale:6..........................................................14
5- 2. Les inconvénients de la reconnaissance faciale........................................................15
6-Les difficultés de la reconnaissance faciale...........................................................................15
7-Avantages Potentiels de l'Approche Auto-Supervisée...........................................................17
1. Exploitation Maximale des Données Non Étiquetées :..................................................17
2. Adaptabilité aux Caractéristiques Uniques :..................................................................17
3. Réduction des Coûts :.......................................................................................................17
4. Flexibilité dans les Applications :.....................................................................................17
5. Innovation dans l'Apprentissage :.....................................................................................17
8- Techniques Auto-Supervisées pour la Reconnaissance Faciale............................................17
8-1 Reconstruction d'Image :................................................................................................17
 Avantages de la Reconstruction d'Image :........................................................................18
8-2 la Prédiction du Contexte :.............................................................................................19
Principes de la Prédiction du Contexte :...........................................................................19
Avantage de la Prédiction du Contexte :...........................................................................20
8-3 Méthodes de Contrastivité :...............................................................................................21
8-3-1 Principes des Méthodes de Contrastivité :..................................................................21
Avantage des Méthodes de Contrastivité :.......................................................................22
9- Méthodes de Génération de Données Synthétiques en Reconnaissance Faciale :...............23
10- Utilisation d'Architectures de Réseaux Neuronaux Auto-Encodeurs en Reconnaissance
Faciale :.....................................................................................................................................23
11- Stratégies d'Apprentissage sans Étiquettes Explicites en Reconnaissance Faciale :..........24
12- Comparaison des performances avec des méthodes superviséestraditionnelles................25
Conclusion................................................................................................................................26
Les références...........................................................................................................................27
Listes des figures :

Figure .1 – Illustration d’une régression

linéaire………………………………………………..3

Figure 2 – Illustration d’un SVM (à gauche) et de l’algorithme des kNN (à droite)…………..4

Figure 3 – Illustration d’une classification ascendante hiérarchique…………………………..5

Figure 4.– Illustration d’un clustering par l’algorithme des k-means………………………….6

Figure 5 Anatomie d'un Réseau de Neurones à Deux Couches Cachées : Connexions,

Paramètres et
Calculs…………………………………………………………………………...8

Figure 6. Exploration des Couches de Convolutions dans un Réseau de Neurones Convolutif 9

Figure 7 – Création automatique d’annotations pour la prédiction de positions relatives de

régions d’images………………………………………………………………………………
10

[Link] de domaines d’applications dans lesquels une approche auto-supervisée est

possible. Source : Jing et Tian (2020)…………………………………………………………
10

Figure 9 Les 4 IA de la reconnaissance faciale (crédit : Lambert Rosique) ………………….11

figure 10. Schéma-bloc plus détaillé d’un système de reconnaissance de visage ……………
13

Figure 11. Exemple sur la reconnaissance faciale…………………………………………….

13

Figure 12 : Variation de
pose………………………………………………………………….15

Figure 13: Variation d’éclairage……………………………………………………………... 16

Figure 14: Variation d’expression…………………………………………………………….16

Figure 15 Composantes d’un encodeur ou extracteur de caractéristiques d’apprentissage

profond………………………………………………………………………………………..19
Les abréviations

SVM Support Vector Machine

kNN k-Nearest Neighbors

CNN Convolutional Neural Network

2D deux dimensions

IA intelligence artificiel

GAN Generative Adversarial Network

Introduction :

Au fil des dernières décennies, de nombreux domaines de l'informatique ont subi une
transformation majeure avec l'avènement et le succès croissant des algorithmes
d'apprentissage automatique, en particulier dans le domaine de l'apprentissage profond. Cette
évolution a entraîné un changement significatif de paradigme, dépassant rapidement les
performances des algorithmes spécifiquement conçus pour résoudre des problèmes
particuliers.

L'un des domaines où ce changement de paradigme s'est le plus manifesté est celui du
traitement d'images. L'introduction des réseaux de neurones convolutifs, associée à l'existence
de vastes bases de données annotées, de puissantes capacités de calcul et de ressources
mémoire adéquates, a permis à l'apprentissage profond de démontrer sa puissance en
surpassant progressivement divers benchmarks tels que la classification d'images, la
reconnaissance d'objets, la segmentation sémantique, et bien d'autres.

Cette transition remarquable témoigne de la capacité de l'apprentissage profond à

exceller dans des tâches complexes, marquant ainsi une nouvelle ère dans le domaine de
l'informatique.

1
Définition d’apprentissage :

Dans le contexte du traitement d'image, l'apprentissage se réfère généralement à

l'utilisation d'algorithmes d'apprentissage automatique, en particulier d'apprentissage profond,
pour extraire automatiquement des informations, des caractéristiques ou des motifs à partir
d'images. Cela implique souvent l'utilisation de réseaux de neurones convolutifs et d'autres
architectures d'apprentissage profond.

L'apprentissage dans le traitement d'image permet au système de s'ajuster et de

s'améliorer de manière autonome à partir de données d'entraînement, ce qui lui permet de
prendre des décisions plus précises ou d'effectuer des tâches spécifiques sans nécessiter une
programmation explicite pour chaque scénario. Les applications courantes incluent la
classification d'images, la détection d'objets, la segmentation sémantique et la génération
d'images, entre autres.

1- L'apprentissage automatique

1-1 APPRENTISSAGE SUPERVISÉ

Également connu sous le nom de Machine Learning en anglais, a pour objectif d'acquérir la
capacité de résoudre des problèmes complexes de manière automatisée, en se basant
directement sur les données. Trois principals categories d'algorithmes d'apprentissage
automatique sont distinguées: l'apprentissage supervisé, l'apprentissage non-supervisé, et
l'apprentissage par renforcement. Dans cette discussion, nous excluons la question de
l'apprentissage par renforcement, non seulement parce que nous n'y avons pas recours, mais
aussi parce que ce paradigme d'apprentissage demeure relativement peu utilisé dans le
domaine spécifique du traitement d'images.

L'apprentissage supervisé constitue une approche dans laquelle un algorithme prend

des données en entrée, se voit fournir la sortie désirée, et apprend à établir une fonction qui
associe correctement une entrée à une sortie. Par exemple, dans le cas de la classification
d'images en deux catégories, telles que "oiseau" et "pas oiseau", une entrée pourrait être une
image d'oiseau, avec la sortie désirée étant la classe "oiseau". Idéalement, au fil de

2
l'apprentissage, l'algorithme est exposé à de nombreux exemples des deux classes, lui
permettant de classifier correctement ces données.

L'efficacité de l'apprentissage supervisé dépend grandement de la disponibilité d'une

grande quantité de données annotées, considérées comme la vérité terrain, pour obtenir des
performances acceptables. Il est essentiel que le modèle appris ne se contente pas de bien
performer sur les données d'entraînement, mais qu'il puisse également généraliser ses
connaissances à de nouvelles données qu'il n'a pas encore rencontrées. Cela nécessite la
diversification des exemples afin que le modèle puisse généraliser les concepts appris plutôt
que de mémoriser spécifiquement les données d'entraînement.1

Les prédictions générées par les algorithmes d'apprentissage supervisé peuvent être
regroupées en deux grandes catégories. La première, la classification, implique la prédiction
de probabilités associées à différentes classes. Dans l'exemple mentionné, il s'agirait de la
probabilité d'appartenir à la classe "oiseau". La seconde, la régression, concerne la prédiction
d'une fonction continue, offrant ainsi des résultats
numériques plutôt que des classes
discrètes. Ces deux types de
prédictions offrent une
flexibilité considérable pour
aborder diverses tâches dans le
domaine de l'apprentissage
supervisé.

Figure .1 – Illustration d’une régression linéaire

3
La Régression Linéaire constitue la méthode de régression la plus élémentaire, où l'objectif
est d'établir une relation entre des variables indépendantes en identifiant les paramètres d'une
fonction affine de la forme y = ax + b qui s'ajuste aux données (cf. Fig. 1). En utilisant une
nouvelle donnée x, on peut prédire la valeur correspondante de y en résolvant la fonction
affine pour x.

Cependant, ce modèle simple ne capture pas les caractéristiques potentiellement non linéaires
des données, et son efficacité est limitée dans de tels cas. Pour adresser cela, des méthodes de
régression plus complexes avec davantage de paramètres peuvent être employées, permettant
ainsi de saisir la non-linéarité des données, telles que la régression polynomiale.

Lorsqu'il s'agit de faire des prédictions sur des classes plutôt que sur des valeurs

continues, d'autres approches sont nécessaires, comme les Machines à Vecteurs de Support
(SVM) (Boser et al, 1992). Dans ce contexte, chaque donnée est représentée par un vecteur de
caractéristiques en n dimensions. Les données sont projetées dans un espace à n dimensions,
chaque axe correspondant à une caractéristique (cf. Fig. 2 à gauche). L'objectif est de trouver
l'hyperplan qui sépare de manière optimale les données en deux groupes distincts, avec la plus
grande marge possible de chaque côté. Sur la Figure 2 (à gauche), cet hyperplan est symbolisé
par la ligne noire.

Figure 2 – Illustration d’un SVM (à gauche) et de l’algorithme des kNN (à droite).

4
 Lorsque les données ne sont pas linéairement séparables, une solution consiste à
transformer l'espace de représentation des données en un espace de dimension supérieure,
potentiellement linéairement séparable, en utilisant une fonction de noyau (kernel function).

L'algorithme des k-Nearest Neighbors (kNN) (Fix et Hodges, 1951) propose une approche
différente pour la classification des données. Tout comme les SVM, il représente les données
dans un espace à n dimensions, où chaque dimension correspond à une caractéristique des
données. Lorsqu'une nouvelle donnée arrive (représentée par le point violet dans la Figure 2 à
droite), on calcule sa distance par rapport à ses k plus proches voisins et on attribue à ce
nouveau point la classe majoritaire parmi ses voisins les plus proches.

1-2 L'APPRENTISSAGE NON SUPERVISÉ

Les algorithmes précédemment mentionnés nécessitent une quantité significative de

données annotées pour fonctionner
efficacement. Cependant, il existe des
approches dans lesquelles cette exigence
n'est pas nécessaire, et on fait référence à cela
comme de l'apprentissage non
supervisé.

Dans le cadre de l'apprentissage non

supervisé, un algorithme cherche à
identifier une structure sous-jacente au sein de données non annotées en repérant des
caractéristiques communes. Le clustering, qui fait partie des méthodes d'apprentissage non
supervisé, consiste à construire automatiquement des clusters ou groupes de données. Par la
suite, il est possible de classifier une nouvelle donnée en déterminant à quel cluster elle est le
plus étroitement associée, souvent en calculant la proximité ou la similarité entre la nouvelle
donnée et les clusters existants.

5
 Figure 3 – Illustration d’une classification ascendante hiérarchique

Parmi les techniques de regroupement, on peut citer la Classification Ascendante

Hiérarchique (Johnson, 1967), telle qu'illustrée dans la Figure 3, ainsi que l'algorithme des k-
means (MacQueen et al., 1967). Ce dernier élabore itérativement k groupes en calculant les
distances entre les éléments. L'algorithme commence par sélectionner au hasard k points,
chacun étant considéré comme le centre d'un groupe. Par la suite, chaque point est classifié
comme appartenant au groupe dont le centre est le plus proche. Une fois que tous les points
sont attribués à un groupe, les centres sont mis à jour en calculant la moyenne de chaque
groupe, et ces étapes sont répétées jusqu'à atteindre la convergence

Figure 4.– Illustration d’un clustering par l’algorithme des k-means

Dans le contexte d'une approche traditionnelle du Machine Learning, la création des

vecteurs de caractéristiques est réalisée de manière manuelle. Cela signifie que l'on doit
explicitement déterminer quelles caractéristiques des données seront utilisées pour
l'entraînement et la prédiction, en définissant des variables explicatives. Cette approche ne
pose pas de problème lorsqu'on travaille avec des données déjà structurées, telles que des
informations sur des utilisateurs (âge, taille, couleur de cheveux, etc.). Cependant, elle devient
plus complexe lorsqu'on travaille avec des données non structurées, comme des images.

Par exemple, dans le cas d'images de visages, il est nécessaire de concevoir des
algorithmes capables d'extraire manuellement des vecteurs de caractéristiques décrivant des
éléments tels que la taille et la position des yeux, du nez, de la bouche, etc.

En revanche, dans une approche d'apprentissage profond, les réseaux de neurones sont
utilisés pour automatiser le processus d'extraction des caractéristiques. Cette extraction est

6
réalisée de manière automatique et fait partie intégrante du processus d'entraînement. Plus
fréquemment dans un contexte d'apprentissage supervisé, grâce à une grande quantité de
données annotées, le modèle apprend à extraire des caractéristiques de différents niveaux
d'abstraction et à déterminer celles qui sont importantes pour la tâche spécifique.

2 -Apprentissage profond

L'apprentissage profond, également connu sous le nom de deep learning, est une
approche avancée du Machine Learning qui utilise des réseaux de neurones artificiels
composés de multiples couches (d'où le terme "profond"). Ces réseaux sont capables
d'apprendre des représentations hiérarchiques complexes à partir des données.

Dans le contexte de l'apprentissage profond, les réseaux de neurones sont structurés en

couches successives, comprenant une couche d'entrée, des couches cachées et une couche de
sortie. Chaque couche est composée de neurones interconnectés, et les poids des connexions
entre ces neurones sont ajustés pendant la phase d'entraînement.

L'une des caractéristiques majeures de l'apprentissage profond est sa capacité à effectuer

automatiquement l'extraction de caractéristiques, éliminant ainsi le besoin d'une conception
manuelle de vecteurs de caractéristiques. Grâce à des architectures sophistiquées et à
l'utilisation de grandes quantités de données, les réseaux de neurones profonds peuvent
apprendre des représentations hautement abstraites, ce qui les rend particulièrement puissants
pour des tâches complexes telles que la reconnaissance
d'images, la traduction automatique, et bien d'autres.

L'apprentissage profond a connu un grand

succès ces dernières années en raison de ses
performances exceptionnelles sur un large éventail de problèmes, et il a révolutionné de
nombreux domaines de l'informatique, en particulier le traitement d'images, le traitement du
langage naturel et la reconnaissance de motifs complexes.

2.1 RÉSEAUX DE NEURONES

Les réseaux de neurones artificiels trouvent leur inspiration dans le fonctionnement du
cerveau humain. Initialement, cette idée a été formulée par McCulloch et Pitts en 1943, qui
ont proposé une modélisation simplifiée des neurones biologiques. Selon leur proposition, un
neurone artificiel peut être mathématiquement représenté comme une fonction qui calcule la
somme pondérée d'un vecteur x avec un vecteur w, ajoute un terme de biais b, puis fait passer
le résultat à travers une fonction non linéaire sigma ,communément appelée fonction
d'activation (voir Equation 1).

7
L'une des propriétés les plus puissantes de cette modélisation est la capacité à combiner ces
neurones artificiels en couches successives, comme illustré dans la Figure 2.5.
Théoriquement, cette configuration permet d'approximer n'importe quelle fonction non

linéaire continue, comme l'énonce le théorème d'approximation universelle (Hornik et al.,

1989).

Dans cette architecture en couches, chaque couche joue un rôle spécifique dans le processus
d'apprentissage. Les couches d'entrée reçoivent les données, les couches cachées effectuent
des transformations complexes, et la couche de sortie produit les prédictions finales du
modèle. Les poids des connexions entre les neurones sont appris au cours de l'entraînement,
permettant ainsi au réseau de s'ajuster aux modèles sous-jacents dans les données.

Ainsi, les réseaux de neurones, en s'inspirant du fonctionnement des neurones biologiques,

offrent une approche puissante pour modéliser des relations complexes et non linéaires dans
les données, ouvrant la voie à des applications variées en apprentissage profond.

Figure 5 Anatomie d'un Réseau de Neurones à Deux Couches Cachées : Connexions,

Paramètres et Calculs2

L'ajustement des poids dans un réseau de neurones se fait itérativement grâce à la rétro
propagation du gradient. Initialement, les poids sont aléatoirement définis. À chaque étape
d'entraînement, la sortie du réseau est comparée à la valeur attendue en utilisant une fonction
de coût. L'algorithme calcule ensuite le gradient de cette fonction par rapport aux poids,
indiquant comment ajuster ces poids pour minimiser l'erreur.

8
 Les poids sont mis à jour de manière itérative, de la dernière couche à la première, en
tenant compte de la contribution de chaque poids à l'erreur. Ce processus est répété de
nombreuses fois avec une grande quantité de données jusqu'à ce que le réseau converge vers
une configuration de poids minimisant l'erreur sur l'ensemble des données d'entraînement.

L'architecture du réseau de neurones présenté est de type "feed forward fully

connected", où chaque neurone d'une couche est connecté à tous les neurones de la couche
suivante. D'autres architectures, telles que les réseaux récurrents, partiellement connectés ou
les réseaux de neurones convolutifs, offrent des variations adaptées à différents types de
tâches et de données.

2.2 RÉSEAUX DE NEURONES CONVOLUTIFS

Les Réseaux de Neurones Convolutifs (CNN) ont révolutionné le traitement d'image en
utilisant des filtres de convolution pour extraire des caractéristiques importantes. Ces filtres
parcourent l'image, calculant de nouvelles valeurs de pixels basées sur des poids appris
pendant l'entraînement. La convolution 2D permet de comprendre la structure spatiale des
informations dans les images.

L'origine des CNN remonte à l'article fondateur de LeCun et al. (1989), appliquant des
couches de convolution pour la reconnaissance de codes postaux manuscrits. Depuis, cette
architecture a été étendue à diverses applications, devenant une norme en analyse d'image.

Les couches convolutives des CNN intègrent plusieurs filtres de convolution, chacun
extrayant des caractéristiques spécifiques. Ces filtres, représentant des poids appris,
permettent au modèle de s'ajuster automatiquement pour extraire des caractéristiques
cruciales.

L'architecture actuelle des CNN comprend des couches de convolution et de pooling

successives, permettant une réduction de dimension et une extraction progressive de
caractéristiques abstraites. Les CNN sont ainsi remarquablement efficaces pour capturer des

9
informations complexes dans les images, marquant une avancée majeure dans la vision par
ordinateur.

Figure 6. Exploration des Couches de Convolutions dans un Réseau de Neurones Convolutif

2.3 APPRENTISSAGE PAR TRANSFERT

L'apprentissage par transfert est une stratégie intelligente dans le domaine de

l'apprentissage automatique, exploitant les connaissances acquises par un modèle sur une
tâche spécifique pour améliorer les performances sur une tâche similaire. Cette approche est
particulièrement pertinente lorsque l'on dispose d'un modèle pré-entraîné sur une grande
quantité de données, souvent sur des tâches complexes.

L'idée clé de l'apprentissage par transfert est de transférer les caractéristiques apprises
par le modèle pré-entraîné vers le nouveau modèle, adaptant ainsi ces caractéristiques à la
nouvelle tâche sans nécessiter un entraînement complet à partir de zéro. Cela peut être
particulièrement avantageux lorsque les données d'entraînement pour la nouvelle tâche sont
limitées.

Il existe plusieurs approches d'apprentissage par transfert, notamment le transfert de

caractéristiques, où les couches basses du modèle sont utilisées pour extraire des
caractéristiques générales, et le fine-tuning, où certaines couches du modèle sont ajustées
spécifiquement pour la nouvelle tâche tout en préservant les caractéristiques apprises.

L'apprentissage par transfert a prouvé son efficacité dans divers domaines, y compris le
traitement d'image, la reconnaissance vocale et la compréhension du langage naturel. Cette
approche permet de maximiser l'utilisation des modèles pré-entraînés, accélérant ainsi le
processus d'entraînement et améliorant les performances sur des tâches spécifiques avec des
données limitées.

2.4 APPRENTISSAGE AUTO-SUPERVISÉ

L'apprentissage auto-supervisé représente une avancée intrigante dans le domaine de
l'apprentissage automatique, se distinguant par son approche novatrice où le modèle crée ses
propres étiquettes ou tâches d'apprentissage à partir des données disponibles. Contrairement à
l'apprentissage supervisé traditionnel, qui nécessite des étiquettes annotées, l'apprentissage
auto-supervisé vise à exploiter de manière intelligente la structure intrinsèque des données.

Dans ce paradigme, le modèle est exposé à des données non annotées et doit développer ses
propres représentations significatives. Une approche courante est la prédiction de la relation
entre différentes parties d'une même donnée, encourageant le modèle à comprendre les
relations internes au sein des exemples.

L'apprentissage auto-supervisé offre plusieurs avantages, notamment la possibilité de tirer

parti de grandes quantités de données non annotées, réduisant ainsi la dépendance aux jeux de

10
données étiquetés
coûteux. De plus, il permet au
modèle de développer des
représentations
riches et générales,
améliorant souvent les
performances sur des tâches spécifiques avec un volume limité de données annotées.

Cette approche s'avère particulièrement prometteuse dans des domaines tels que le traitement
d'image, la compréhension du langage naturel et la représentation de données complexes.
L'apprentissage auto-supervisé ouvre la voie à une utilisation plus efficiente des données
disponibles, contribuant ainsi à l'avancement continu de l'apprentissage automatique.

Figure 7 – Création automatique d’annotations pour la prédiction de positions relatives de

régions d’images.

11
[Link] de domaines d’applications dans lesquels une approche auto-supervisée est
possible. Source : Jing et Tian (2020)

3-Principes de Base de la Reconnaissance Faciale

La reconnaissance faciale repose sur l'identification et l'analyse des caractéristiques faciales

uniques d'une personne. Les principes de base de la reconnaissance faciale incluent :

Figure 9 Les 4 IA de la reconnaissance faciale (crédit : Lambert Rosique)3

3.1. EXTRACTION DES CARACTÉRISTIQUES :

12
 -

Utilisation de techniques pour extraire des caractéristiques distinctives du visage, telles que la
disposition des yeux, du nez et de la bouche.

3.2. CRÉATION D'UNE SIGNATURE FACIALE :

- La combinaison des caractéristiques extraites crée une signature faciale unique qui peut
être utilisée pour identifier une personne spécifique.

3.3. COMPARAISON ET CORRESPONDANCE :

- Lors de la reconnaissance, la signature faciale d'une personne est comparée à une base de
données pour trouver des correspondances, permettant ainsi d'identifier ou de vérifier
l'identité.

3.4. UTILISATION DE MODÈLES STATISTIQUES OU

D'APPRENTISSAGE AUTOMATIQUE :
- Des modèles statistiques ou des algorithmes d'apprentissage automatique peuvent être
utilisés pour améliorer la précision de la reconnaissance en analysant des données
d'entraînement.

Figure 10. Schéma-bloc plus détaillé d’un système de reconnaissance de visages4

4-Les domaines d’application de la reconnaissance faciale

La reconnaissance des visages suscite un grand intérêt car le visage est la partie du corps
humain la plus significative et la plus utile pour l'identification d'une personne. Aujourd'hui,
ce système est de plus en plus utilisé pour assurer la sécurité, non seulement sur les
Smartphones comme auparavant, mais dans de nombreux domaines.

13
 Figure 11. Exemple sur la reconnaissance faciale

Voici quelques exemples :

• Les systèmes de contrôle d'accès automatique:

Une caméra doit être située à l’entrée transfère des images à un ordinateur qui fait une

reconnaissance de visage et puis décide l’accord d’accès

• Les systèmes de télésurveillance et d'identification criminelle:

Pour les enquêteurs la vérification des identités des suspects peut être assistée par ordinateur

• Les interfaces homme-machine :

On peut rendre la communication entre l'homme et la machine plus attractive, plus naturelle
et plus confortable. Et autres domaines aussi tels que : l’accès à un compte bancaire,
l’authentification des passagers dans les aéroports… etc.

5-LES AVANTAGES ET LES INCONVÉNIENTS DE LA

RECONNAISSANCE FACIALE

14
 5-1 Les avantages de la reconnaissance faciale:6
La technique de la détection de visage a été faite pour faciliter la vie au quotidien, et
essentiellement pour bien gérer les diverses activités qui dépendent du système de
biométrie.

Une meilleure sécurité

Comme on a dit avant, la reconnaissance faciale permet d’identifier les personnes,

donc peut servir à bien sécuriser l’entourage ou on l’utilise en verrouillant les outils
personnels par exemple.

Plus de facilité

En utilisant cette technique, les gens peuvent gérer leurs besoins justes avec leurs
visages, comme dans les magasins ou dans les salles de sport, il suffit juste d’être en face
la caméra et tout est réglé sans avoir besoin de prendre les clés ou bien de l’argent ou
même un mot de passe. Ça évite les queues d'attente ainsi qu’elle personnalise le service
client.

Un traitement plus rapide

Le principe de détection est très rapide, le temps d’exécution de ce concept ne dure

que quelques secondes, ce qui lui donne privilège

Intégration avec d'autres technologies

La méthode de reconnaissance faciale peut être intégré avec plusieurs logiciels, elle est
compatible avec les grands logiciels de sécurité, elle peut aussi être utilisé comme outil de
déverrouillage des appareils mobiles et aussi dans autres divers domaines

La détermination et la précision

Si l’on élabore une petite comparaison entre l’identification et la biométrie, on

constate largement que cette dernière est plus sécurisante et plus fiable par rapport à
l‘identification, puisque la biométrie nous permet de déterminer l’identité exacte et directe
d’une personne pour pouvoir accéder à son compte, tandis que l’identification se base sur
l’utilisation de données et informations que quiconque peut détenir telles que mot de
passe, nom d’utilisateur …etc.

5- 2. Les inconvénients de la reconnaissance faciale

Si on parle des avantages de la reconnaissance faciale, on voit qu’il y en a plusieurs,
mais malgré tous ces bienfaits, on n’oublie jamais que cette technique possède quelques côtés
négatifs par rapport à son concept

La surveillance, violation de la vie privée

Plusieurs personnes n’acceptent pas le fait d’être pris en photo ou bien d’être surveillé
par une caméra et n’aiment pas que leurs visages soient stockés dans une base de données,

15
puisque la reconnaissance
faciale permet de détecter des
gens spéciaux et la même chose
pour les gens ordinaires ce qui
menace la vie privée des êtres
humains

Stockage massif des données

La technologie de la reconnaissance faciale exige l’intelligence artificielle, cette

dernière possède un énorme ensemble de données qui a un stockage massif pour « apprendre
» à donner des résultats précis, et cela n’est pas utile pour les établissements.

Piratage

Comme on le sait tous, cette technologie est un outil technique informatisé et

programmé qui utilise de l’intelligence artificielle, cette dernière peut être piratée et
manipulée par des hackers, et l’utiliser pour des actes illégaux, ce qui la rend un danger pour
la société.

6-Les difficultés de la reconnaissance faciale

La détection des visages pour le cerveau humain est une technique très facile à faire,
d’ailleurs l’être humain généralement ne trouve aucune difficulté pour reconnaitre des
personnes d’après la tache visuelle. Par contre, construire un système automatique de
détection peut faire face à un défi par rapport aux conditions d’acquisition des images, et cela
constitue l’une des oppositions que le système puisse affronter. À signaler aussi, le taux de la
reconnaissance faciale dépend de la variation de pose. Sans oublier l’expression faciale qui est
un facteur qui a une grande influence, et autres difficultés qui déstabilisent la structure de
détection [7]

Figure 12 : Variation de pose

16
 Figure 13: Variation d’éclairage

Figure 14: Variation

d’expression

En tenant compte les autres facteurs intervenants dans l’identification des visages tels que :

- le vieillissement.

- la chirurgie plastique.

- le maquillage.

- les effets de la consommation de drogues ou de tabac.

- L’occultation partielle. [8]

Donc, il est essentiel de mettre des images de haute qualité. Une qualité moyenne ou médiocre
peut empêcher leur prise en compte lors des recherches dans le système, cela peut grandement
compromettre la précision de cette opération et affecter les résultats. L’idéal est d’avoir une
photo d'identité avec un éclairage homogène et un fond neutre

17
7-Avantages Potentiels de l'Approche Auto-Supervisée

L'approche auto-supervisée dans le contexte de la reconnaissance faciale offre des avantages

significatifs :

1. EXPLOITATION MAXIMALE DES DONNÉES NON

ÉTIQUETÉES :
- Permet l'utilisation efficace de grandes quantités de données non étiquetées, évitant ainsi la
nécessité d'une annotation manuelle coûteuse.

2. ADAPTABILITÉ AUX CARACTÉRISTIQUES UNIQUES :

- Le modèle peut découvrir de manière autonome des caractéristiques faciales uniques sans
dépendre d'étiquettes explicites.

3. RÉDUCTION DES COÛTS :

- Élimine ou minimise les coûts associés à l'annotation manuelle des données, contribuant
ainsi à une approche économiquement avantageuse.

4. FLEXIBILITÉ DANS LES APPLICATIONS :

- Peut être appliquée à diverses applications de reconnaissance faciale, de l'authentification
aux systèmes de surveillance, en maximisant l'adaptabilité.

5. INNOVATION DANS L'APPRENTISSAGE :

- Favorise l'innovation en explorant des méthodes autonomes d'apprentissage, débloquant
ainsi de nouveaux potentiels dans le domaine de la reconnaissance faciale.

8- Techniques Auto-Supervisées pour la Reconnaissance Faciale

Techniques Auto-Supervisées pour la Reconnaissance Faciale L'approche auto-supervisée

offre des méthodes novatrices pour entraîner des modèles de reconnaissance faciale sans
dépendre d'étiquettes explicites. Trois principales stratégies émergent dans cette démarche :

8-1 RECONSTRUCTION D'IMAGE :

La reconstruction d'image est une discipline cruciale dans le domaine du traitement
d'images et de la vision par ordinateur. Elle englobe un ensemble de techniques visant à
restaurer ou à créer une représentation visuelle d'une scène ou d'un objet à partir de données
existantes. Cette discipline joue un rôle fondamental dans divers domaines, allant de la
médecine à la surveillance, de l'analyse d'images satellites à la réalité virtuelle.

L'objectif principal de la reconstruction d'image est de générer une représentation

visuelle précise et significative à partir de données brutes, souvent incomplètes, altérées ou
présentant des imperfections. Ce processus implique généralement la manipulation et la

18
transformation de données, qu'elles proviennent de capteurs optiques, d'instruments médicaux
ou d'autres sources d'imagerie.

Les approches de reconstruction d'image peuvent varier en fonction du contexte

d'application. Elles incluent des méthodes classiques telles que la restauration d'image, qui
vise à améliorer la qualité des images dégradées, ainsi que des techniques plus avancées telles
que la reconstruction tridimensionnelle à partir d'images 2D.

Au cours des dernières années, l'émergence de technologies telles que l'apprentissage

profond a considérablement influencé le domaine de la reconstruction d'image. Des modèles
de réseaux neuronaux, notamment les générateurs adverses (GAN) et les auto-encodeurs, ont
démontré une efficacité notable dans la création d'images réalistes à partir de données bruitées
ou incomplètes.

Figure 15 Image de
reconstruction tridimensionnelle issue d'un scanner ou d'une IRM permettant d'observer la s

Avantages de la Reconstruction d'Image :

La reconstruction d'image offre plusieurs avantages dans divers domaines, exploitant
des techniques avancées pour améliorer, restaurer ou créer des représentations visuelles. Voici
quelques-uns des avantages clés de la reconstruction d'image :

1. Amélioration de la Qualité : La reconstruction d'image permet d'améliorer la qualité

visuelle des images en corrigeant les imperfections, en réduisant le bruit, et en augmentant la
résolution. Cela est particulièrement crucial dans des domaines tels que la radiologie médicale
et la surveillance vidéo.

2. Restauration d'Images Dégradées :Les techniques de reconstruction d'image peuvent être

utilisées pour restaurer des images qui ont été dégradées par divers facteurs tels que la

19
compression, la distorsion ou d'autres altérations. Cela contribue à récupérer des informations
précieuses perdues lors de la capture ou du stockage des images.

3. Reconstruction Tridimensionnelle : Dans des applications comme la vision par ordinateur

et la réalité virtuelle, la reconstruction d'image est utilisée pour créer des modèles
tridimensionnels à partir d'images bidimensionnelles. Cela permet une compréhension plus
approfondie de la géométrie de la scène.

4. Correction de Mouvement : En médecine, la reconstruction d'image est appliquée pour

corriger les artefacts de mouvement dans les images médicales, assurant une représentation
plus fidèle des structures anatomiques, même dans des environnements sujets à des
mouvements.

5. Génération d'Images Synthétiques : Les techniques modernes, notamment celles basées

sur l'apprentissage profond, permettent de générer des images synthétiques réalistes à partir de
données incomplètes. Cela a des applications dans la création de contenu visuel, la réalité
augmentée et la simulation.

6. Applications Médicales : En imagerie médicale, la reconstruction d'image est cruciale pour

améliorer la visualisation des organes internes, faciliter le diagnostic et guider les
interventions chirurgicales.

7. Analyse d'Images Satellites :Dans le domaine de la télédétection, la reconstruction

d'image est utilisée pour traiter et améliorer les images satellitaires, permettant une
surveillance précise de vastes zones géographiques.

la reconstruction d'image joue un rôle essentiel en améliorant la qualité, la précision et

la compréhension des données visuelles dans divers domaines, contribuant ainsi à des
applications variées allant de la médecine à la recherche spatiale.

8-2 LA PRÉDICTION DU CONTEXTE :

La prédiction du contexte désigne la capacité d'un système informatique, en particulier dans le
domaine de l'intelligence artificielle, à anticiper les conditions ou les événements futurs en se
basant sur des informations disponibles. Cela implique généralement l'utilisation
d'algorithmes et de modèles prédictifs qui analysent des données contextuelles pour estimer
les situations à venir. L'objectif principal est d'améliorer la compréhension et la réactivité des
systèmes en leur permettant d'anticiper et de s'adapter dynamiquement à des changements
environnementaux.

Principes de la Prédiction du Contexte :

1. Collecte de Données Contextuelles : La prédiction du contexte débute par la collecte de
données contextuelles pertinentes. Cela peut inclure des informations sur l'utilisateur,
l'environnement physique, les interactions passées, et d'autres variables susceptibles
d'influencer le contexte.

2. Modélisation du Contexte : Les données contextuelles sont ensuite utilisées pour

construire des modèles prédictifs. Ces modèles peuvent prendre la forme d'algorithmes

20
d'apprentissage automatique, de réseaux neuronaux, ou d'autres méthodes statistiques
capables de reconnaître des schémas et des tendances dans les données.

3. Entraînement du Modèle : Les modèles prédictifs sont entraînés à partir de données

historiques, où le contexte et les résultats connus sont utilisés pour ajuster les paramètres du
modèle. Plus le modèle est exposé à des données diverses, plus il devient apte à généraliser et
à anticiper des situations inédites.

4. Prédiction Dynamique : Une fois le modèle entraîné, il est déployé pour prédire le
contexte futur en temps réel. La prédiction est souvent dynamique, permettant une adaptation
continue aux évolutions du contexte tout au long de l'interaction ou de l'opération.

5. Réaction en Fonction des Prédictions : En fonction des prédictions du contexte, le

système peut prendre des mesures spécifiques ou ajuster son comportement. Cette réaction
peut être automatisée ou servir de recommandation à des utilisateurs ou opérateurs humains.

6. Évaluation et Amélioration Continue : Les performances du modèle de prédiction du

contexte sont évaluées régulièrement, et le modèle est ajusté en conséquence. Cela garantit
une adaptation constante à de nouveaux contextes et la préservation de la pertinence
prédictive au fil du temps.

La prédiction du contexte s'applique à divers domaines tels que la personnalisation des

expériences utilisateur, la gestion de la chaîne d'approvisionnement, la conduite autonome, et
d'autres situations où la connaissance préalable des conditions à venir est un atout essentiel.

Avantage de la Prédiction du Contexte :

La prédiction du contexte, dans le domaine de l'apprentissage automatique et de
l'intelligence artificielle, offre plusieurs avantages qui enrichissent la capacité des systèmes à
comprendre et à réagir aux données environnementales. Voici quelques-uns des avantages
significatifs de la prédiction du contexte :

1. Amélioration de la Précision des Prédictions : En anticipant le contexte futur, les

modèles peuvent affiner leurs prédictions, améliorant ainsi la précision globale des résultats.
Cette capacité accrue à comprendre le contexte permet des prédictions plus fines et adaptées.

2. Adaptation Dynamique : La prédiction du contexte permet aux systèmes de s'adapter de

manière dynamique aux changements dans leur environnement. Cette adaptabilité renforce la
résilience des modèles face aux évolutions et aux variations, assurant une performance
robuste.

3. Optimisation des Ressources : Les systèmes basés sur la prédiction du contexte peuvent
optimiser l'utilisation des ressources en ajustant leurs opérations en fonction des anticipations.
Cela conduit à une gestion plus efficiente des ressources, que ce soit en termes de puissance
de calcul, de bande passante, ou d'autres ressources.

4. Personnalisation et Expérience Utilisateur Améliorée : En anticipant les besoins et les

préférences des utilisateurs, la prédiction du contexte permet une personnalisation plus fine

21
des expériences utilisateur. Cela se traduit par des recommandations plus pertinentes et des
interactions plus intuitives.

5. Réduction du Bruit et des Distractions : En se concentrant sur les éléments contextuels

pertinents, la prédiction du contexte contribue à réduire le bruit dans les données, améliorant
ainsi la qualité de l'information traitée et facilitant une prise de décision plus éclairée.

6. Anticipation des Situations Critiques : Dans des environnements dynamiques, la

prédiction du contexte peut anticiper des situations critiques, permettant aux systèmes de
prendre des mesures préventives ou d'alerter en conséquence. Cela est particulièrement crucial
dans des domaines tels que la sécurité et les opérations en temps réel.

7. Effet Positif sur l'Automatisation : La prédiction du contexte renforce l'efficacité des

systèmes automatisés en anticipant les conditions à venir. Cela se traduit par une
automatisation plus intelligente et réactive.

8. Applications dans la Planification Stratégique :La capacité à prédire le contexte est

essentielle pour la planification stratégique, que ce soit dans la logistique, la gestion des
opérations, ou d'autres domaines

8-3 Méthodes de Contrastivité :

Les méthodes de contrastivité, dans le domaine de l'apprentissage automatique et de la

représentation de données, sont des approches visant à apprendre des représentations robustes
en comparant les similitudes et les différences entre les échantillons de données. Ces
méthodes se fondent sur le principe que les modèles doivent apprendre à distinguer les
similarités et les disparités entre des paires d'échantillons pour obtenir des représentations
discriminatives.

8-3-1 PRINCIPES DES MÉTHODES DE CONTRASTIVITÉ :

1. Création de Paires de Contraste : Les méthodes de contrastivité fonctionnent
généralement en formant des paires de contraste, composées d'un échantillon de référence et
d'un échantillon similaire ou dissimilaire. Ces paires sont cruciales pour enseigner au modèle
à discriminer entre différentes instances.

2. Encodage des Représentations : Les échantillons de chaque paire sont encodés pour
obtenir des représentations dans un espace latent. Cela peut être réalisé à l'aide de réseaux
neuronaux, où les paramètres du modèle sont ajustés pour encoder les caractéristiques
distinctives des échantillons.

3. Fonction de Coût Contrastive : Une fonction de coût contrastive est définie pour
quantifier la similitude entre les paires positives (échantils similaires) et la dissimilitude entre
les paires négatives (échantillons dissimilaires). Cette fonction encourage le modèle à
rapprocher les représentations des échantillons similaires et à les éloigner pour les
échantillons dissimilaires.

22
4. Apprentissage des Représentations : Le modèle est entraîné à minimiser la fonction de
coût contrastive, ce qui lui permet d'apprendre des représentations qui préservent les relations
de similarité et de dissimilarité entre les échantillons. Cette approche favorise la création d'un
espace latent où les échantillons similaires sont proches les uns des autres et les échantillons
dissimilaires sont éloignés.

5. Évaluation des Représentations : Les représentations apprises sont évaluées en fonction

de leur utilité dans des tâches spécifiques, telles que la classification ou le regroupement. Des
représentations efficaces devraient faciliter la généralisation à de nouvelles données et
améliorer les performances des modèles sur des tâches cibles.

6. Applications Diverses : Les méthodes de contrastivité sont appliquées dans divers

domaines tels que la vision par ordinateur, le traitement du langage naturel, et d'autres
domaines où l'apprentissage de représentations robustes est essentiel.

les méthodes de contrastivité offrent un cadre d'apprentissage efficace pour créer des
représentations sémantiques et discriminatives, contribuant ainsi à améliorer la capacité des
modèles à comprendre et à généraliser à partir de données complexes.

Avantage des Méthodes de Contrastivité :

Les méthodes de contrastivité présentent plusieurs avantages, faisant d'elles des approches
puissantes pour l'apprentissage de représentations dans divers domaines de l'apprentissage
automatique. Voici quelques-uns de leurs avantages clés :

1. Robustesse aux Transformations : Les méthodes de contrastivité favorisent

l'apprentissage de représentations robustes envers les transformations géométriques, les
altérations légères, et d'autres variations dans les données. Elles permettent ainsi aux modèles
de généraliser efficacement à des conditions différentes de celles rencontrées pendant
l'entraînement.

2. Adaptabilité aux Données Non Étiquetées : Ces méthodes sont particulièrement efficaces
dans les scénarios où les données étiquetées sont limitées. En exploitant les relations de
similarité et de dissimilarité, elles peuvent tirer parti des données non étiquetées pour former
des modèles de manière efficace.

3. Réduction de la Dépendance aux Étiquettes : Contrairement à l'apprentissage supervisé

traditionnel, les méthodes de contrastivité n'exigent pas une annotation exhaustive des
données. Elles peuvent apprendre des représentations utiles même avec un nombre limité
d'échantillons étiquetés.

4. Généralisation à de Nouvelles Tâches : Les représentations apprises par ces méthodes

sont souvent généralisables à différentes tâches. Ces représentations captent des

23
caractéristiques pertinentes et transférables, ce qui facilite l'adaptation à de nouvelles tâches
sans nécessiter un nouvel- entraînement complet.

5. Application Polyvalente : Les méthodes de contrastivité peuvent être appliquées à divers

types de données, y compris des images, du texte, des séquences temporelles, et d'autres
formes de données. Cette polyvalence les rend appropriées pour une variété de domaines
d'application.

6. Amélioration de la Cohérence Sémantique : En apprenant des représentations qui

préservent les relations sémantiques, ces méthodes renforcent la cohérence des représentations
dans l'espace latent. Cela conduit à une meilleure compréhension des relations entre les
échantillons.

7. Réduction du Sur-ajustement : En se concentrant sur les relations de similarité et de

dissimilarité, les méthodes de contrastivité ont tendance à être moins sensibles au
surajustement (overfitting), ce qui les rend robustes même dans des ensembles de données de
petite taille.

8. Utilisation dans l'Auto-encodeur : Les méthodes de contrastivité peuvent être intégrées

dans des architectures d'auto-encodeurs pour l'apprentissage non supervisé. Cela permet aux
modèles d'apprendre des représentations utiles tout en reconstruisant efficacement les entrées.

les méthodes de contrastivité offrent une approche puissante pour apprendre des
représentations robustes, exploitant efficacement les données non étiquetées et réduisant la
dépendance aux annotations complètes, ce qui en fait des outils précieux dans le domaine de
l'apprentissage automatique.

9- Méthodes de Génération de Données Synthétiques en Reconnaissance Faciale :

Les méthodes de génération de données synthétiques en reconnaissance faciale sont

des techniques novatrices visant à créer des images faciales réalistes sans recourir à des
annotations explicites. Ces approches révolutionnaires utilisent diverses stratégies, telles que
la variation des attributs faciaux, l'utilisation de réseaux générateurs antagonistes (GAN), le
transfert de style, la génération conditionnelle, et l'augmentation de données. L'objectif
principal est d'enrichir les ensembles d'entraînement avec une diversité d'images synthétiques,
améliorant ainsi la robustesse et la généralisation des modèles de reconnaissance faciale. Ces
méthodes exploitent la créativité algorithmique pour produire des données de haute qualité,
renforçant la capacité des modèles à traiter une variété d'apparences faciales.

24
10- Utilisation d'Architectures de Réseaux Neuronaux Auto-Encodeurs en Reconnaissance

Faciale :

L'utilisation d'architectures de réseaux neuronaux auto-encodeurs en reconnaissance

faciale représente une stratégie avancée d'apprentissage non supervisé. Dans ce contexte
innovant, les auto-encodeurs sont des modèles neuronaux spéciaux qui apprennent à
représenter de manière comprimée l'information d'entrée, puis à la reconstruire fidèlement.
Voici une définition de cette approche :

Les auto-encodeurs en reconnaissance faciale fonctionnent selon le principe de codage

et de décodage. La première partie du réseau, appelée encodeur, réduit la dimensionnalité des
images faciales en capturant leurs caractéristiques essentielles. La seconde partie, le décodeur,

reconstruit les images à partir de ces représentations comprimées. L'objectif est que la
reconstruction soit aussi fidèle que possible à l'image d'origine, incitant ainsi le réseau à
apprendre des représentations significatives.

Les avantages de cette approche résident dans la capacité du modèle à extraire

automatiquement des caractéristiques pertinentes sans nécessiter d'étiquettes explicites. Cette
autonomie dans l'extraction de caractéristiques contribue à renforcer la robustesse du modèle
face à la variabilité des données faciales. En somme, l'utilisation d'architectures de réseaux
neuronaux auto-encodeurs représente une avancée majeure dans l'amélioration de la
représentation et de la compréhension des visages dans le domaine de la reconnaissance
faciale.

Figure 15 Composantes d’un encodeur ou extracteur de caractéristiques d’apprentissage

profond5

25
11- Stratégies d'Apprentissage sans Étiquettes Explicites en Reconnaissance Faciale :

Les stratégies d'apprentissage sans étiquettes explicites en reconnaissance faciale

constituent une approche novatrice visant à former des modèles sans dépendre de l'annotation
manuelle des données. Voici une définition de cette méthodologie avancée :

Cette approche repose sur le principe fondamental de permettre au modèle d'apprendre

des motifs intrinsèques et des caractéristiques discriminantes des données faciales sans avoir
besoin d'étiquettes explicites, souvent coûteuses et laborieuses à obtenir. Les stratégies clés
dans cet apprentissage non supervisé incluent l'utilisation de données non annotées et
l'encouragement du modèle à découvrir des représentations utiles de manière autonome.

Parmi les techniques couramment utilisées, citons l'entraînement sur des ensembles de
données non étiquetés, la mise en œuvre d'algorithmes d'apprentissage auto-supervisé, et
l'utilisation d'architectures de réseaux neuronaux qui favorisent l'extraction automatique de
caractéristiques significatives. Ces stratégies visent à maximiser l'utilisation des données
disponibles tout en réduisant la dépendance aux étiquettes explicites, contribuant ainsi à la
flexibilité, à l'efficacité et à l'innovation dans le domaine de la reconnaissance faciale.

12- Comparaison des performances avec des méthodes superviséestraditionnelles.

Les techniques auto-supervisées révolutionnent l'entraînement des modèles de

reconnaissance faciale en exploitant pleinement des données non étiquetées. Ces approches
novatrices présentent plusieurs avantages, tels que l'adaptabilité exceptionnelle aux
caractéristiques intrinsèques, la maximisation des données sans coûts d'annotation élevés, et
une flexibilité accrue grâce à la réduction de la dépendance aux ressources étiquetées. Bien
que nécessitant parfois une optimisation plus poussée, les performances globales des
techniques auto-supervisées sont comparables à celles des méthodes supervisées
traditionnelles, qui, elles, offrent des performances immédiates élevées sur des tâches
spécifiques, mais dépendent fortement d'une annotation manuelle coûteuse.

En résumé, l'innovation des techniques auto-supervisées dans l'utilisation des données non
étiquetées ouvre de nouvelles perspectives dans le domaine de la reconnaissance faciale.

Critères de Techniques Auto- Méthodes Supervisées

Comparaison Supervisées Traditionnelles
Exploitation des Maximisation des données Dépendance aux données
Données non étiquetées. étiquetées.
Adaptabilité aux Adaptation aux Dépendance à l'annotation
Caractéristiques caractéristiques intrinsèques manuelle pour les
sans étiquettes. caractéristiques.
Coûts Réduction significative des Coûts potentiels élevés
d'Annotation coûts en éliminant associés à l'annotation

26
 l'annotation manuelle. manuelle.
Performance Nécessite parfois plus Performances immédiates
Immédiate d'optimisation, mais élevées sur des tâches
performances comparables. spécifiques.
Flexibilité et Utilisation maximale des Dépendance aux ressources
Ressources données non étiquetées. étiquetées.
Innovation Réduction de la dépendance Conformité à l'approche
aux étiquettes, innovant traditionnelle, moins
dans l'exploitation de innovante dans l'utilisation
données non étiquetées. des données non étiquetées.

Conclusion

En conclusion, cette étude sur l'apprentissage auto-supervisé pour la reconnaissance

faciale a ouvert de nouvelles perspectives et offert des insights cruciaux dans le domaine en
constante évolution de la vision par ordinateur. Les résultats obtenus soulignent l'efficacité
potentielle de l'approche auto-supervisée pour entraîner des modèles de reconnaissance faciale
sans dépendre d'étiquettes explicites.

Les modèles auto-supervisés ont montré des performances encourageantes, exploitant

des techniques novatrices telles que la génération de données synthétiques et l'utilisation
d'architectures de réseaux neuronaux auto-encodeurs. La comparaison avec les méthodes
supervisées traditionnelles a révélé des avantages significatifs dans certaines situations,
soulignant la pertinence de l'adoption de l'apprentissage auto-supervisé.

Cette recherche a contribué à identifier les forces de l'apprentissage auto-supervisé

dans le domaine spécifique de la reconnaissance faciale. Les avantages potentiels de cette
approche résident dans sa capacité à exploiter efficacement les données non annotées,
réduisant ainsi la dépendance aux jeux de données étiquetés.

Les résultats de cette étude suggèrent plusieurs axes de recherche prometteurs. Il est
recommandé de poursuivre le raffinement des techniques auto-supervisées pour les adapter à
des scénarios plus complexes et diversifiés. Par ailleurs, une attention accrue aux implications
éthiques de la reconnaissance faciale, notamment en l'absence d'étiquettes explicites, est
nécessaire pour guider le développement responsable de ces technologies.

27
Les références

1. Antoine Pirrone. Apprentissage profond auto-supervisé de métriques : application à la

prédiction d’assemblage de fragments de papyrus. Modélisation et simulation.
Université de Bordeaux, 2022. Français. ffNNT : 2022BORD0125ff. fftel-03685839f ,
page 22
2. Antoine Pirrone. Apprentissage profond auto-supervisé de métriques : application à la
prédiction d’assemblage de fragments de papyrus. Modélisation et simulation.
Université de Bordeaux, 2022. Français. ffNNT : 2022BORD0125ff. fftel-03685839f ,
page 25
3. Lambert R. TP : La Reconnaissance Faciale
4. 4-Francis CHARETTE MIGNEAULT, RAPPORT DE PROJET PRÉSENTÉ À
L’ÉCOLE DE TECHNOLOGIE SUPÉRIEURE COMME EXIGENCE PARTIELLE
À L’OBTENTION DE LA MAÎTRISE EN GÉNIE DE LA PRODUCTION
AUTOMATISÉE M. Ing., page 27
5. 5- [Link]
classification-image
6. 6- [Link] [Link] TALBI S .Sid Ahmed , Mémoire, Etude et réalisation d’un
système de reconnaissance faciale basé sur l’apprentissage profond, page 7
7. OUAMANE, H., 2012. Identification de reconnaissance faciale avec des expressions.
Mémoire de master en télécommunication. Université Mohamed Khider Biskra.
8. BOIFALTINGS, B. et SCHUMACHER, M., 2009. L'intelligence artificielle par la
pratique. Paris : Polytechniques.

28