Home » Évènement

Appel à communications pour le workshop iTWIST’20 (international Traveling Workshop on Interactions between low-complexity data models and Sensing Techniques)

Sébastien Bourguignon et Jérôme Idier (équipe SIMS), en collaboration avec deux autres collègues extérieurs au laboratoire, organisent une conférence intitulée iTWIST’20 du 24 au 26 juin 2020 sur le site de Centrale Nantes.

Le workshop sera précédée d’une école doctorale les 22 et 23 juin 2020.

Voir le site web de la conférence : https://itwist20.ls2n.fr

7 keynote speakers rennomés sont attendus pour cette édition 220 :

  • Vincent Duval (INRIA Paris, France)
  • Mark Plumbley (Centre for Vision, Speech and Signal Processing, University of Surrey, UK)
  • Christopher J Rozell (Georgia Institute of Technology, USA)
  • Karin Schnass (University of Innsbrück, Austria)
  • Irene Waldspurger (CNRS, University Paris-Dauphine, France)
  • Rebecca Willett (University of Chicago, USA)
  • David Wipf (Visual Computing Group, Microsoft Research, Beijing, China)

Appel à communications pour la conférence : https://itwist20.ls2n.fr/wp-content/uploads/sites/71/2019/12/call_for_paper.pdf

The doctoral school program will include 4 short courses on some fundamental topics of the workshop:
– Nonnegative and Low-rank Approximations (J. Cohen, CNRS, Rennes)
– Branch and bound techniques for combinatorial optimization (J. Ninin, ENSTA Betagne, Brest)
– Computational optimal transport (G. Peyré, CNRS/École Normale Supérieure, Paris)
– Last course to be announced

Appel à participation spour l’école doctorale : https://itwist20.ls2n.fr/wp-content/uploads/sites/71/2019/12/call_for_part.pdf

L’inscription est gratuite et inclut les repas, pauses, et événements sociaux.

Calendrier :

Feb. 17, 2020 Closing of the application system/paper submission ends
Mar. 2, 2020 Notification of accepted applications
Mar. 9, 2020 Registration opens
Apr. 15, 2020 Confirmation of accepted papers
Apr. 22, 2020 Program finalized
Apr. 29, 2020 Final manuscript due
May 13, 2020 Registration closes
June 22-23, 2020 Doctoral school
June 24-26, 2020 iTWIST’20 Workshop

Soutenance de thèse de Ramzi BEN MHENNI (équipe SIMS)

Ramzi Ben Mhenni, doctorant au sein de l’équipe SIMS, soutiendra sa thèse intitulée « Méthodes de programmation en nombres mixtes pour l’optimisation parcimonieuse en traitement du signal »
mercredi 13 mai 2020 à 14h en visio-conférence à l’ECN.

Jury :
– Directeur thèse : Bourguignon Sébastien
– Co-encadrant : Ninin Jordan (ENSTA Bretagne)
– Rapporteurs : Cafieri Sonia (Ecole nationale aviation civile), Kowalski Matthieu (Laboratoire des Signaux et Systèmes)
– Autres membres : Jutten Christian (Université Grenoble Alpes), Ralaivola Liva (Aix Marseille Université)

Soutenance de thèse de Sébastien LEVILLY (équipe SIMS)

Sébastien Levilly, doctorant au sein de l’équipe SIMS, soutiendra sa thèse intitulée « Quantification de biomarqueurs hémodynamiques en imagerie cardiovasculaire par résonance magnétique de flux 4D » / « Hemodynamic biomarkers quantification in cardiovascular imaging by 4D phase-contrast magnetic resonance »
mardi 12 mai 2020 à 14h à en visio-conférence à l’ECN.

Jury :
– Directeur thèse : Idier Jérôme
– Co-directeur : Paul-Guilloteaux Perrine (IRS UN)
– Rapporteurs : Heinrich Christian (Telecom Physique Strasbourg), Kachenoura Nadjia (UMPC)
– Autres membres : Sigovan Monica (INSA Lyon), Memin Etienne (Inria Rennes)
– Membre invité : Serfaty Jean-Michel (IRS UN)

Résumé :
En imagerie cardiovasculaire, un biomarqueur est une information quantitative permettant d’établir une corrélation avec la présence ou le développement d’une pathologie cardiovasculaire. Ces biomarqueurs sont généralement obtenus grâce à l’imagerie de l’anatomie et du flux sanguin. Récemment, la séquence d’acquisition d’IRM de flux 4D a ouvert la voie à la mesure du flux sanguin dans un volume 3D au cours du cycle cardiaque. Or, ce type d’acquisition résulte d’un compromis entre le rapport signal sur bruit, la résolution et le temps d’acquisition. Le temps d’acquisition est limité et par conséquent les données sont bruitées et sous-résolues. Dans ce contexte, la quantification de biomarqueurs est difficile. L’objectif de cette thèse est d’améliorer la quantification de biomarqueurs et en particulier du cisaillement à la paroi. Deux stratégies ont été mises en œuvre pour atteindre cet objectif. Une première solution permettant le filtrage spatio-temporel du champ de vitesse a été proposée. Cette dernière a révélé l’importance de la paroi dans la modélisation d’un champ de vitesse. Une seconde approche, constituant la contribution majeure de cette thèse, s’est focalisée sur la conception d’un algorithme estimant le cisaillement à la paroi. L’algorithme, nommé PaLMA, s’appuie sur la modélisation locale de la paroi pour construire un modèle de vitesse autour d’un point d’intérêt. Le cisaillement est évalué à partir du modèle de la vitesse. Cet algorithme intègre une étape de régularisation a posteriori améliorant la quantification du cisaillement à la paroi. Par ailleurs, une approximation du filtre IRM est utilisée pour la première fois pour l’estimation du cisaillement. Enfin, cet algorithme a été évalué sur des données synthétiques, avec des écoulements complexes au sein de carotides, en fonction du niveau de bruit, de la résolution et de la segmentation. Il permet d’atteindre des performances supérieures à une méthode de référence dans le domaine, dans un contexte représentatif de la pratique clinique.

Mots-clés : cisaillement à la paroi, simulation numérique des fluides, IRM de flux 4D, carotide

**********

Abstract:
In cardiovascular imaging, a biomarker is quantitative information correlated with an existing or growing cardiovascular pathology. Biomarkers are generally obtained by anatomy and blood flow imaging. Recently, the 4D Flow MRI sequence opened new opportunities in measuring the blood flow within a 3D volume along the cardiac cycle. However, this sequence is a compromise between signal-to-noise ratio, resolution and acquisition time. Allocated time being limited, velocity measurements are noisy and low resolution. In that context, biomarkers’ quantification is challenging. This thesis’s purpose is to enhance biomarkers’ quantification and particularly for the wall shear stress (WSS). Two strategies have been investigated to reach that objective. A first solution allowing the spatiotemporal filtering of the velocity field has been proposed.
It revealed the importance of the wall for the velocity field modelization. A second approach, being the major contribution of this work, focused on the design of a WSS quantification algorithm. This algorithm, named PaLMA, is based on the local modelization of the wall to build a velocity model near a point of interest. The WSS is computed from the velocity model. This algorithm embeds an a posteriori regularization step to improve the WSS quantification. Besides, a blurring model of 4D Flow MRI is used for the first time in the WSS quantification context. Finally, this algorithm has been validated over synthetic datasets, with carotids’ complex flows, concerning the signal-to-noise ratio, the resolution, and the segmentation. The performances of PaLMA are superior to a reference solution in that domain, within a clinical routine context.

Keywords: wall shear stress, computational fluid dynamics, 4D Flow MRI, carotid

Soutenance d’HDR de Sébastien Bourguignon (équipe SIMS)

Sébastien Bourguignon, Maître de Conférences Centrale Nantes au sein de l’équipe SIMS, soutiendra son Habilitation à Diriger des Recherches, intitulé « Modèles et algorithmes dédiés pour la résolution de problèmes inverses parcimonieux en traitement du signal et de l’image » / « Sparsity-enhancing inverse problems in signal and image processing : models and dedicated algorithms »

jeudi 06 février à 9h30, dans l’amphi du bâtiment S (LS2N) de l’ECN.

Jury :
– Laure Blanc-Féraud, Université Nice Sophia-Antipolis / I3S
– Stéphane Canu, INSA Rouen / LITIS
– Olivier Michel, INP Grenoble / GiPSA-Lab
– Pierre Chainais, Centrale Lille / CRIStAL
– Christine De Mol, Université Libre de Bruxelles
– Nicolas Gillis, Université de Mons
– Jérôme Idier, Centrale Nantes / LS2N

Résumé :

Dans de nombreux problèmes inverses rencontrés en traitement du signal et de l’image, le manque d’information contenue dans les données peut être compensé par la prise en compte d’une contrainte de parcimonie sur la solution recherchée. L’hypothèse de parcimonie suppose que l’objet d’intérêt peut s’exprimer, de manière exacte ou approchée, comme la combinaison linéaire d’un petit nombre d’éléments choisis dans un dictionnaire adapté.
Je présenterai différentes contributions apportées dans la construction de modèles parcimonieux. Dans plusieurs contextes applicatifs, nous cherchons à raffiner les représentations classiques reliant les données aux grandeurs d’intérêt à estimer, afin de les rendre plus fidèles à la réalité des processus observés. Cet enrichissement de modèle, s’il permet d’améliorer la qualité des solutions obtenues, s’opère au détriment d’une augmentation de la complexité calculatoire. Nous proposons donc des solutions algorithmiques dédiées, relevant essentiellement de l’optimisation mathématique.

Un premier volet envisage la restauration de données d’imagerie hyperspectrale en astronomie, où l’observation de champs profonds depuis le sol s’effectue dans des conditions très dégradées. Le débruitage et la déconvolution sont abordés sous une hypothèse de parcimonie des spectres recherchés dans un dictionnaire de formes élémentaires. Des algorithmes d’optimisation capables de gérer la grande dimension des données sont proposés, reposant essentiellement sur l’optimisation de critères pénalisés par la norme l_1, par une approche de type descente par coordonnée.

Une deuxième application concerne la déconvolution parcimonieuse pour le contrôle non destructif par ultrasons. Nous construisons, d’une part, un modèle « à haute résolution », permettant de suréchantillonner la séquence parcimonieuse recherchée par rapport aux données, pour lequel nous adaptons les algorithmes classiques de déconvolution. D’autre part, nous proposons de raffiner le modèle convolutif standard en intégrant des phénomènes de propagation acoustique, débouchant sur un modèle non invariant par translation. Ces travaux sont ensuite étendus à l’imagerie ultrasonore, par la construction de modèles de données adaptés et l’optimisation de critères favorisant la parcimonie.

Nous abordons enfin des travaux plus génériques menés sur l’optimisation globale de critères parcimonieux impliquant la « norme » l_0 (le nombre de coefficients non nuls dans la décomposition recherchée). Alors que l’essentiel des travaux en estimation parcimonieuse privilégie des formulations sous-optimales adaptées aux problèmes de grande taille, nous nous intéressons à la recherche de solutions exactes des problèmes l_0 au moyen d’algorithmes branch-and-bound. De tels modèles parcimonieux, s’ils s’avèrent plus coûteux en temps de calcul, peuvent fournir de meilleures solutions et restent de complexité abordable sur des problèmes de taille modérée. Des applications sont proposées pour la déconvolution de signaux monodimensionnels et pour le démélange spectral.

La présentation de quelques pistes de recherche à court et moyen terme conclura cet exposé.

Lien vers le manuscrit : https://uncloud.univ-nantes.fr/index.php/s/xHm8af2D7dsfpRR

Soutenance de thèse de Christian EL HAJJ (équipe SIMS)

Christian El Hajj, doctorant au sein de l’équipe SIMS, soutiendra sa thèse intitulée « Estimation et classification des cartographies des temps de relaxation en IRM. Application aux tissus végétaux » / « Multi-exponential relaxation times estimation and classification in MRI. Application to vegetal tissus »

lundi 16 décembre 2019 à 10h30, dans l’amphi du bâtiment S sur le site de Centrale Nantes.

Jury :

  • Directeur thèse : MOUSSAOUI Said
  • Co-encadrant : COLLEWET Guylaine (IRSTEA), MUSSE Maja (IRSTEA)
  • Rapporteurs : CIUCU Philippe (CEA Saclay), DE ROCHEFORT Ludovic (CRMBM)
  • Autres membres : RUAN Su (LITIS), COMMOWICK (IRISA Inria), BONNY Jean-Marie (INRA)

Résumé :
L’acquisition de données de relaxation en imagerie de résonance magnétique permet une analyse très fine de la composition des tissus. L’analyse est classiquement réalisée à l’aide de modèles mono-exponentiels au sein de chaque voxel de l’image, mais des informations plus riches peuvent être obtenues à l’aide d’un modèle de décroissance multi-exponentielle. Cependant, l’obtention puis l’exploitation des cartographies des temps de relaxation multiexponentielles à l’échelle d’une image entière, à partir des données IRM de module, nécessitent la résolution d’un problème inverse de grande taille. Ce travail de thèse propose des algorithmes de reconstruction des cartographies des temps de relaxation multi-exponentielles et des intensités relatives associées à l’échelle du voxel. Ces algorithmes de reconstruction sont fondés sur l’estimateur du maximum de vraisemblance exploitant l’hypothèse d’un bruit de Rice, inhérent aux images de module, et une régularisation spatiale favorisant la régularité des cartographies. Le problème d’optimisation en grande dimension qui en résulte est résolu en utilisant une approche de descente itérative par majoration-minimisation couplée à un algorithme de Levenberg-Marquardt avec recherche de pas. Enfin, nous proposons une méthode de caractérisation de la composition des images à partir des paramètres estimés en utilisant des algorithmes de classification. Les développements de la thèse font l’objet d’application à l’analyse de tissus végétaux.

Mots-clés : Relaxométrie IRM, Bruit de Rice, Modèle Multi-exponentiel, Classification, Majoration-Minimisation, Estimation conjointe.


Abstract:

Acquired relaxation data in magnetic resonance imaging makes it possible to conduct fine analysis of tissues composition. Conventionally, the analysis is realized by adopting a mono-exponential model at each voxel of the image, yet, a multi-exponential decay model may provide richer information. However, obtaining and interpreting multi-exponential relaxation time maps at the whole image level, from magnitude MRI images, requires solving a large scale inverse problem. This thesis work proposes algorithms for multiexponential relaxation times and their associated intensities maps reconstruction. These algorithms are based on the maximum-likelihood estimator under the hypothesis of a Rician noise distribution, case of magnitude images, and a spatial regularization favoring the regularity of the maps. The resulting large-scale optimization problem is solved using an iterative descent approach by majorization-minimization coupled with a Levenberg-Marquardt algorithm with step search. Finally, we propose a method for image composition characterization from the estimated parameters using classification algorithms. The developed algorithms in this thesis are applied to vegetal tissue analysis.

Keywords: MRI relaxometry, Rician noise, Multi-exponential model, Classification, Majorization-Minimization, Joint estimation

 

Soutenance de thèse de Konstantin AKHMADEEV (équipes ReV et SIMS)

Konstantin Akhmadeev, doctorant au sein des équipes ReV et SIMS, soutiendra sa thèse intitulée « Modèles probabilistes fondés sur la décomposition d’EMG pour la commande de prothèses »

mercredi 20 novembre 2019 à 14h, dans l’amphi du bâtiment S sur le site de Centrale Nantes.

Jury :

  • Directeur thèse : AOUSTIN Yannick
  • Co-encadrant : LE CARPENTIER Eric
  • Rapporteurs :  SERVIERE Christine (CR CNRS, GIPSA), MARIN Frédéric (BMBI, U Compiègne)
  • Examinateurs : FARINA Dario (Imperial College London), PEREON Yann (Institut du Thorax), NORDEZ Antoine (EA 4334, U Nantes)

Résumé :
Le pilotage moderne de prothèse robotisée de bras peut être sensiblement amélioré par l’utilisation de la décomposition d’EMG. Cette technique permet d’extraire l’activité des motoneurones de la moelle épinière, une représentation directe de la commande neuronale. Cette activité, qui est insensible aux facteurs non-liés au mouvement, tels que le type ou la position d’électrode EMG, est essentielle pour le pilotage des prothèses.
Cependant les méthodes de décomposition existantes ne fournissent que l’activité d’un nombre limité de motoneurones. Cette information peut être considérée insuffisante pour en inférer l’intention de l’utilisateur. Dans ce travail, nous présentons une approche probabiliste qui utilise les modèles existants de la relation entre les activités des motoneurones et le mouvement. Nous comparons cette approche à une approche plus conventionnelle et montrons qu’elle fournit de meilleurs résultats même quand elle est alimentée avec un nombre très bas de motoneurones décomposés.
Pour évaluer sa performance dans un environnement contrôlé, nous avons développé un modèle physiologique de simulation d’EMG et de contraction de muscle. De plus, une analyse sur les signaux expérimentaux a été réalisée.

*********

Abstract:
Modern prosthetic control can be significantly enhanced due to the use of EMG decomposition. This technique permits to extract the activity of motor neurons that control the movement, thus giving a direct representation of neural command. This activity, being unaltered by factors non-related to motion, such as type and position of EMG electrode, is of great interest in prosthetic control.
Existing real-time decomposition methods, however, provide activities of a very limited number of motor neurons (up to ten). This can be considered insufficient for intent inference. In this work, we present a probabilistic approach to intent inference that uses existing models of relations between the behavior of motor neurons and the movement. We compare our approach with a conventional one presented in the literature and show that it produces significantly better results when provided with a small number of decomposed motor neurons.
To assess its performance in a fully controlled environment, we have developed a physiology-based simulation model of EMG and muscle contraction. Moreover, the analysis was also performed using experimental recordings of muscle contractions.

Soutenance d’HDR de Mathieu LAGRANGE (équipe SIMS)

Mathieu Lagrange, chercheur CNRS au sein de l’équipe SIMS, soutiendra son habilitation à diriger des recherches intitulée « Modélisation long terme de signaux sonores »
jeudi 14 novembre 2019 à 10h15, dans l’amphi du bâtiment S sur le site de Centrale Nantes.

Jury :
– Frédéric Bimbot, Directeur de Recherche CNRS, IRISA, Rennes
– Alain de Cheveigné, Directeur de Recherche CNRS, ENS Paris
– Béatrice Daille, Professeur, LS2N, Nantes
– Patrick Flandrin, Directeur de Recherche CNRS, ENS Lyon
– Stéphane Mallat, Professeur, Collège de France

Document pdf de 79 pages sur Google Drive.

Résumé :
La modélisation numérique du son a permis de transformer tous nos usages de la musique et plus récemment des environnements sonores. Du codage à la synthèse en passant par l’indexation, un large champ d’applications nécessite de pouvoir analyser le signal sonore, un contenu riche et complexe avec des propriétés d’organisation temporelle et fréquentielle spécifiques. En suivant le paradigme de l’analyse de scènes auditives computationnelles, j’ai proposé au début de ma carrière plusieurs méthodes de segmentation du signal sonore, par des approches de suivi de partiels, ou encore de segmentation de sources harmoniques par coupures normalisées de graphes.
L’avènement des approches par apprentissage a permis de relâcher un certain nombre de contraintes de spécification des modèles de traitement, mais demande un soin particulier dans la mise en place du protocole expérimental avec lequel ces modèles sont estimés et évalués. J’ai contribué à cette problématique en poursuivant deux axes : 1) la proposition, dans le cadre du challenge international dcase, de tâches de reconnaissances d’événements dans des scènes sonores environnementales artificielles dont les facteurs de complexité sont contrôlés et 2) l’implantation et la mise à disposition d’explanes, un environnement de développement d’expérimentations dédié à la facilitation de la reproductibilité des études en sciences des données.
Je montrerai le formalisme de ce dernier en présentant deux contributions récentes : l’une portant sur l’utilisation des réseaux convolutionnels profonds pour le sur-échantillonnage et l’autre portant sur la modélisation par diffusion d’ondelettes des modes de jeux étendus pour l’aide à l’orchestration musicale.
Ces nouvelles approches questionnent d’une nouvelle manière des problèmes fondamentaux en traitement du signal sonore et ouvrent un vaste champ d’expérimentation nécessaire à leur bonne maîtrise. Je discuterai en guise de conclusion le protocole d’exploration que je me propose de suivre pour contribuer à l’extension des connaissances sur ces sujets.

Journée « Évaluation et Contrôle Non Destructifs en Pays de la Loire »

Une journée scientifique autour du contrôle non destructif est organisée au LS2N (site ECN, amphi S) jeudi 7 novembre 2019, dans le cadre du Groupement d’Intérêt Scientifique « Évaluation et Contrôle Non Destructifs en Région Pays de la Loire » (GIS ECND_PdL).

Le programme est disponible ici : https://www.precend.fr/wp-content/uploads/20191107-Precend-ECND-PdL-programme.pdf

A 15h15, Sébastien Bourguignon (équipe SIMS) fera un exposé sur « l’inversion conjointe de mesures résistives et capacitives pour l’évaluation non des. de la teneur en eau de structures en béton ».

L’accès est ouvert à tous les membres du LS2N, mais requiert votre inscription préalable (comprenant les exposés, pauses café et le déjeuner) ici :
https://www.precend.fr/journee-scientifique-gis-ecnd-pdl-07-11-2019/#inscription

Soutenance de thèse de Tzila AJAMIAN (équipe SIMS)

Tzila Ajamian, doctorante au sein de l’équipe SIMS, soutiendra sa thèse intitulée « Exploration de l’Acquisition Comprimée appliquée à la Réflectométrie » / « Exploration of Compressive Sampling for Wire Diagnosis Systems Based on Reflectometry »

jeudi 24 octobre à partir de 10h, dans l’amphi du bâtiment S sur le site de Centrale Nantes.

Jury :

  • Directeur thèse : MOUSSAOUI Said, DUPRET Antoine (CEA LIST)
  • Rapporteurs : CHABERT Marie (INP Toulouse), DEGARDIN Virginie (Institut d’électronique de microélectronique et de nanotechnologie)
  • Autres membres : CHAUX Caroline (I2M), ZHANG Qinghua (INRIA)
  • Membre invité : Olivier Henri Roux

Résumé : La réflectométrie, une technique utilisée en diagnostic filaire, permet la détection et la localisation de défauts des câbles. Alors que, les Convertisseurs Analogique-Numérique sont indispensables dans les architectures de la réflectométrie, la nécessité du respect de la condition de Shannon et le besoin d’effectuer des traitements en temps réel limitent les fréquences maximales des signaux injectés, et par conséquent réduit la précision de la localisation. Pour une première fois dans le contexte du diagnostic filaire, cette étude intègre l’échantillonnage comprimé du signal réfléchi afin d’améliorer les performances de ce système. Pour cela, en analysant les signaux multi-porteuses employés pour la réflectométrie, nous proposons les dictionnaires adaptées induisant la parcimonie. Ainsi, grâce aux techniques d’acquisition comprimée et aux encodeurs analogique adéquats, nous proposons un schéma d’échantillonnage permettant de reconstruire le réflectogramme avec une fréquence d’échantillonnage moins élevée tout en garantissant d’identifier les défauts proches.

Mots-clés : Diagnostique filaire, réflectométrie, acquisition comprimée, convertisseur analogique-numérique

********

Abstract: Reflectometry, a wire diagnosis technique, allows to detect and localize electrical defects in networks efficiently. In order to achieve a very precise online diagnosis without altering the functioning of a network, reflectometry methods should use specific wideband Multi-Carrier signals, whose generation requires dedicated numerical tools. The underlying architecture of any reflectometry system for the injection of the signal requires appropriate Digital-to-Analog Converters. Yet, measuring the reflected signal should be performed using Analog-to-Digital Converters capable of reaching high sampling frequencies together with sufficient resolution. Such converter are either extremely expensive or beyond nowadays state of the art. In that respect, this study addresses a new architectural approach for designing such reflectometry systems based on Compressive Sampling method bypassing the Nyquist rate. Thus, thanks to the compressed acquisition and its analog encoder, we succeed in reconstructing the reflectogram with a lower sampling frequency and also in identifying nearby defects.

Keywords: Wire diagnosis, Compressive Sampling, analog-digital convertor.

Réunion du GdR ISIS : « Apprentissage faiblement supervisé ou non supervisé pour l’analyse d’images et de video »

La prochaine réunion du GdR ISIS aura lieu au CNAM de Paris le 10 mai 2019.

L’apprentissage supervisé est au coeur des techniques actuelles de computer vision et d’analyse d’images et de vidéos. Un des limitations des méthodes d’apprentissage supervisé est la nécessité de disposer de grandes bases de données étiquetées. Cet étiquetage peut être coûteux, voire impossible. Les approches d’apprentissage faiblement supervisé permettent de contourner le problème, en utilisant à la fois des données étiquetées ou non-étiquetées, ou des données partiellement étiquetées.

L’objectif de la journée sera de faire le point sur les techniques d’apprentissage non-, semi- ou faiblement supervisé, de transfert de connaissance, de multiple instance learning, pour l’analyse d’images et de vidéos, mais aussi pour l’annotation automatique ou semi-automatique de grandes bases d’images, où de l’apprentissage incrémental est en jeu.
Cette journée est organisée conjointement entre le thème transverse T Apprentissage pour l’analyse du signal et l’action « Analyse, traitement et décision pour les données massives et multimodales en sciences du vivant » du thème B Image et Vision. Elle est ouverte à des contributions théoriques dans le domaine de l’apprentissage partiellement ou non-supervisé ainsi qu’à des applications dans le domaine de la vision par ordinateur et de l’analyse d’images ou de séquences d’images médicales.

Le programme comporte trois conférences invitées :
« Weakly-Supervised Localization and Classification of Proximal Femur Fractures », Diana Mateus (équipe SIMS)
– « Apprentissage semi-supervisé et faiblement supervisé », Nicolas Thome, CEDRIC lab, CNAM Paris
– « Learning with less labels in medical image analysis », Veronika Cheplygina, Medical Image Analysis group, Eindhoven University of Technology, The Netherlands

Informations et inscription.

Copyright : LS2N 2017 - Mentions Légales - 
 -