Cette thèse se concentre sur l’apprentissage profond, en mettant l’accent sur l’apprentissage de représentations de graphes. Les graphes sont largement utilisés dans de nombreuses applications. Ils offrent une représentation polyvalente pour les objets non réguliers, notamment les maillages 3D, une alternative aux méthodes traditionnelles telles que les CNNs ou les modèles de segmentation d’images comme U-net. Cette thèse explore les réseaux de neurones sur graphes (GNNs) pour modéliser des objets 3D non réguliers, comme les maillages 3D. Contrairement aux CNNs, les GNNs sont conçus pour traiter des données de type graphe, ce qui les rend plus adaptés à la représentation de maillages 3D. Ils ont démontré une performance supérieure dans la modélisation de ces données, offrant ainsi une alternative prometteuse aux méthodes existantes. Cependant, malgré leur efficacité, les GNNs sont confrontés à des défis d’évolutivité, surtout avec des maillages complexes. Cette thèse propose des solutions pour surmonter ces défis en explorant des méthodes de pooling spécifiques aux maillages 3D et d’autres stratégies pour simplifier l’apprentissage. Elle envisage également des approches de construction de graphes à partir de maillages 3D pour améliorer l’efficacité de l’apprentissage. En plus de l’aspect statique de données, cette thèse traite l’application des GNNs à des données présentant des motifs ou des caractéristiques temporelles. Elle explore leurs utilisations dans des domaines tels que la simulation de fluides, les modèles météorologiques et les images médicales 3D, ainsi que dans la simulation physique des maillages 3D. Cela met l’accent sur l’évolution temporelle des maillages dans l’espace et dans le temps.

    Plus de détails sur ADUM