Etudiant : MAACH YOUSRA

Filière : Machine Learning Avancé et Intelligence Multimédia (MLAIM)

Encadrant : Pr. ZINEDINE AHMED

Annèe : 2025

Résumé : La capacité de généralisation est un enjeu fondamental en apprentissage automatique, en particulier pour les systèmes déployés dans des environnements ouverts ou critiques. Un modèle est dit généralisable lorsqu’il parvient à maintenir de bonnes performances sur des données nouvelles, jamais vues pendant l’entraînement. Dans des contextes sensibles comme l’aviation, cette capacité est cruciale afin de garantir des décisions fiables même en présence de variations imprévues (conditions météo, changements géographiques, etc.). Dans ce travail, nous explorons cette problématique à travers un cas d’usage concret : la \textbf{détection automatique de pistes d’atterrissage} à partir d’images aériennes. Nous proposons un pipeline fondé sur l’analyse de l’espace latent généré par un autoencodeur, permettant d’identifier les zones sous-représentées du domaine opérationnel. Ces zones sont ensuite enrichies grâce à une \textbf{génération de données synthétiques ciblée via l’outil ScenAIro}, qui permet de simuler des scénarios de vol complexes et réalistes. Les résultats montrent que cette stratégie d’\textbf{augmentation guidée} améliore la capacité de généralisation du modèle de classification, en particulier face à des contextes non vus (ex. : nouvel aéroport ou météo extrême). Ce travail illustre ainsi comment l’analyse structurelle des données et la simulation réaliste peuvent être combinées pour renforcer la robustesse des systèmes d’IA dans des cas d’usage critiques.