développement d’un GNN pour la reconnaissance faciale

Après un état de l’art détaillant la représentation des données sous forme de graphes et les notions clés des GNN (message passing, mise à jour des nœuds, architectures GCN, GAT, GraphSAGE), la méthodologie adoptée est exposée. Elle inclut le downsampling pour réduire la complexité des nuages de points, la construction des graphes via les méthodes KNN et E-ball, ainsi que l’étude des graphes géodésiques pour capturer la structure globale des données.

Le choix des paramètres (k pour KNN, ε pour E-ball) est optimisé afin de garantir la lisibilité, la densité et la connectivité des graphes. Les graphes sont stockés au format .pt et les arêtes normalisées pour assurer un entraînement stable des modèles GNN.</p>