In recent years, the rapid development of deep learning approaches has paved the way to explore the underlying factors that explain the data. In particular, several methods have been proposed to learn to identify and disentangle these underlying explanatory factors in order to improve the learning process and model generalization. However, extracting this representation with little or no supervision remains a key challenge in machine learning. In this paper, we provide a theoretical outlook on recent advances in the field of unsupervised representation learning with a focus on auto-encoding-based approaches and on the most well-known supervised disentanglement metrics. We cover the current state-of-the-art methods for learning disentangled representation in an unsupervised manner while pointing out the connection between each method and its added value on disentanglement. Further, we discuss how to quantify disentanglement and present an in-depth analysis of associated metrics. We conclude by carrying out a comparative evaluation of these metrics according to three criteria, (i) modularity, (ii) compactness and (iii) informativeness. Finally, we show that only the Mutual Information Gap score (MIG) meets all three criteria.

Avec l’évolution rapide des technologies, le secteur de la logistique connait une transformation majeure avec l’automatisation des processus. Cette thèse propose une solution innovante pour automatiser le comptage des colis sur palettes dans les entrepôts, une tâche complexe, coûteuse et sujette aux erreurs lorsqu’elle est effectuée manuellement.L’objectif est de développer une méthode automatique de comptage en exploitant l’apprentissage automatique. Une première méthode utilisant des représentations démêlées a été mise en place pour séparer les informations statiques et dynamiques des palettes, facilitant le suivi des colis. Cependant, cette méthode présente des limites pour décomposer des piles complexes de colis. Pour répondre à ces défis, une approche reposant sur des nuages de points et des techniques de reconstruction 2D/3D a été développée. Elle offre une représentation spatiale précise des colis, même en cas d’occlusions. Une architecture neuronale spécifique a été conçue pour reconstruire la position des colis à partir d’images 2D. Enfin, le modèle a été validé dans un environnement réel à partir de données collectées chez un partenaire industriel.Un flux de traitement adapté a permis d’obtenir des résultats fiables, bien que certaines erreurs de comptage aient été constatées. Cette validation confirme l’efficacité du modèle et son potentiel d’intégration dans les processus logistiques.