Optimisation de descripteurs topologiques dans les réseaux de neurones convolutifs dans une infrastructure edge computing // Optimization of topological descriptors in convolutional neural networks in an edge computing infrastructure

En traitement d'images il existe des descripteurs dit topologiques, qui utilisés sur des image 2D, offrent une manière efficace de caractériser la structure globale d'une image (trous, composantes connexes, cavités) tout en restant robustes au bruit et invariants aux transformations géométriques linéaires (translation, rotation, mise à l'échelle). L'ajout en amont d'un réseau de neurones CNN d'une étape d'extraction de descripteurs statistiques permet d'enrichir la qualité des données à l'entrée du CNN. Plusieurs études montrent qu'un tel couplage améliore la précision et peut réduire les temps d'inférence et d'entraînement et limiter l'empreinte en ressources. L'objectif de cette thèse est d'optimiser l'extraction des descripteurs topologiques dans le contexte du edge computing avec quantification poussée des données en tirant parti de la quantification sur 4 bits (compatible avec les GPU modernes et adaptée aux CNN). Pour cela nos travaux en cours sur l'étiquetage en composantes connexes d'images binaires à base de techniques de compression telles que le run-length encoding (RLE), ont montrés des résultats très prometteurs. Une première implémentation du descripteur ECC sur GPU sur des données 4bits a surpassé les performances de l'état de l'art et la majorité des descripteurs topologiques se base sur la notion de connectivité. Il est ainsi possible de profiter du potentiel de notre approche pour revisiter les algorithmes des descripteurs topologiques dans le contexte d'une quantification poussée 4bits pour l'embarqué.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

In image processing, there are so-called topological descriptors, which, when used on 2D images, offer an efficient way to characterize the global structure of an image (holes, connected components, cavities) while remaining robust to noise and invariant to linear geometric transformations (translation, rotation, scaling). Adding a statistical descriptor extraction step upstream of a CNN neural network makes it possible to enrich the quality of the data at the CNN input. Several studies show that such a coupling improves accuracy and can reduce inference and training times and limit the resource footprint. The objective of this thesis is to optimize the extraction of topological descriptors in the context of edge computing with advanced data quantization by taking advantage of 4-bit quantization (compatible with modern GPUs and suitable for CNNs). To this end, our ongoing work on the labeling of binary images into connected components using compression techniques such as run-length encoding (RLE) has shown very promising results. A first implementation of the ECC descriptor on GPU on 4-bit data has outperformed the state-of-the-art and the majority of topological descriptors are based on the notion of connectivity. It is thus possible to take advantage of the potential of our approach to revisit the algorithms of topological descriptors in the context of advanced 4-bit quantization for embedded systems.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Public funding alone (i.e. government, region, European, international organization research grant)

Concours pour un contrat doctoral

Université Grenoble Alpes

220 EEATS - Electronique, Electrotechnique, Automatique, Traitement du Signal

traitement d'images, calcul parallèle
image processing, parallel processing