Home » évènement

Soutenance de thèse de Nans LAROCHE (équipe SIMS)

Nans Laroche, doctorant au sein de l‘équipe SIMS, soutiendra sa thèse intitulée « Méthodes d’imagerie ultrasonore avancées et rapides pour le contrôle non destructif de matériaux atténuants et diffusants » / « Fast and advanced ultrasonic imaging methods for non destructive testing of attenuative and diffusive materials »

lundi 18 octobre 2021 à 14h, à dans l’amphi du bâtiment S sur le site de Centrale Nantes.

Jury :
– Directeur de thèse : Jérôme IDIER
– Co-encadrants : Sébastien BOURGUIGNON (maître de conférence); Aroune DUCLOS (maître de conférence, Laboratoire d’Acoustique de l’Université du Mans);
– Rapporteurs : Nicolas QUAEGEBEUR (Professeur, Université de Sherbrooke) ; Jean-Philippe THIRAN (Professeur, Ecole Polytechnique Fédérale de Lausanne).
– Autres membres : Ewen CARCREFF (docteur, encadrant industriel, DB-SAS)

Résumé : Le développement de sondes multiéléments et les progrès continus en électronique ont favorisé l’émergence des méthodes d’imagerie ultrasonore pour le contrôle non-destructif (CND). En particulier, les approches linéaires de type formation de voies sont largement utilisées pour leur simplicité et leur rapidité, rendant possible l’imagerie en temps réel. Néanmoins, la résolution et le contraste des images reconstruites sont limités par la nature oscillante de l’onde ultrasonore.
Cette thèse aborde l’imagerie ultrasonore sous l’angle des problèmes inverses. La reconstruction de l’image de réflectivité à partir de mesures ultrasonores, dont l’information est limitée par la bande passante des transducteurs, est un problème inverse mal posé. Dans ces travaux, nous adoptons des techniques d’inversion par régularisation favorisant la reconstruction de solutions à la fois parcimonieuses et lisses spatialement, \textit{i.e.}, d’extension spatiale limitée. Nous cherchons ainsi à reconstruire une carte de réflectivité d’un milieu globalement sain, ne contenant éventuellement que quelques réflecteurs de petite taille. Une première contribution décrit la mise en œuvre et l’inversion d’un modèle linéaire reliant les données brutes de grande taille à la réflectivité du milieu, via un opérateur contenant les formes d’ondes ultrasonores. Un deuxième axe est basé sur la projection du modèle de données ultrasonores dans l’espace image via une technique de formation de voies. L’inversion du modèle résultant, de plus petite taille, est alors interprétée comme un problème de déconvolution à réponse impulsionnelle variable spatialement et à bruit coloré.
Un modèle interpolateur est proposé, permettant une inversion rapide. Un dernier axe de travail adapte ces méthodes à des milieux ayant des propriétés acoustiques complexes telles que l’atténuation fréquentielle et la dispersion, pour lesquels l’onde acoustique se déforme lors de sa propagation.
Les méthodes proposées sont évaluées sur des données synthétiques et appliquées à des exemples concrets de CND. Un pouvoir de résolution bien supérieur aux méthodes standard est obtenu, au prix d’une complexité calculatoire plus élevée.

Mots-clés : contrôle non-destructif, imagerie ultrasonore, problèmes inverses, focalisation en tout point, parcimonie

——————————————————————————————————————————————————————————————————————-
Abstract: The development of multi-element probes and continuous progress in electronics have favored the generalization of ultrasonic imaging methods for non destructive testing (NDT). In particular, the total focusing method is widely used due to its simplicity and real-time capability. Nevertheless, the resolution and contrast of the resulting images are limited due to the oscillating nature of the ultrasonic wave.
This work addresses ultrasonic imaging from an inverse problem perspective. Retrieving the reflectivity map from ultrasonic measurements acquired with band-limited transducers is an ill-posed problem. In this work, we develop inversion methods based on a regularization framework that enhances both the sparsity and the spatial smoothness of the reconstructed solution. Therefore, we assume that the reflectivity map is mainly homogeneous and possibly contains only few reflectors of small size. A first contribution describes the implementation and the inversion of a linear model that relates the raw, large-size, ultrasonic data to the reflectivity image, through a matrix containing the ultrasonic waveforms. A second contribution consists in projecting the previous model involving raw ultrasonic data in the space domain through a linear beamforming method. The size of the resulting model is therefore reduced, and its inversion can be interpreted as a deconvolution problem with a non stationary point spread function and colored noise. We hence propose an interpolation model in order to obtain a computationally efficient method. Finally, the last part of this work consists in applying the proposed methods to media with complex acoustic properties, such as frequency attenuation and dispersion, where the ultrasonic waveform is distorted during propagation.
These algorithms are applied to synthetic data and practical NDT cases and show superior resolving capabilities compared to standard methods, at the cost of higher computational complexity.

Keywords: non destructive testing, ultrasonic imaging, inverse problems, total focusing method, sparsity

Soutenance de thèse de Mickael Tardy (équipe SIMS)

Mickael Tardy, doctorant au sein de l’équipe SIMS, soutiendra sa thèse intitulée « Apprentissage profond, Imagerie du sein, Classification, Segmentation, Supervision faible » / « Deep learning for computer-aided early diagnosis of breast cancer »

12 octobre 2021 à 8h30, dans l’amphi du bât. S sur le site de Centrale Nantes. La participation à distance est possible sur https://ec-nantes.zoom.us/j/96524720031  (mot de passe : .hQf3mFm)
Jury :
– Directeur de thèse : Diana Mateus
– Co-encadrant : NA
– Rapporteurs : Elsa Angelini (Senior Data Scientist,  ICL / Maitre de Conférences, Telecom Paris) ; Gustavo Carneiro (Professeur, The University of Adelaide),
– Autres membres : Sébastien Molière (Praticien hospitalier, CHU de Strasbourg) ; François Rousseau (Professeur, IMT Atlantique Bretagne-Pays de la Loire) ; Maria A. Zuluaga (Maître de Conférences, EURECOM) 
Résumé : Le cancer du sein est un des plus répandus chez la femme. Le dépistage systématique permet de baisser le taux de mortalité mais crée une charge de travail importante pour les professionnels de santé. Des outils d’aide au diagnostic sont conçus pour réduire ladite charge, mais un niveau de performance élevé est attendu. Les techniques d’apprentissage profond peuvent palier les limitations des algorithmes de traitement d’image traditionnel et apporter une véritable aide à la décision. Néanmoins, plusieurs verrous technologiques sont associés à l’apprentissage profond appliqué à l’imagerie du sein, tels que l’hétérogénéité et le déséquilibre de données, le manque d’annotations, ainsi que la haute résolution d’imagerie. Confrontés auxdits verrous, nous abordons la problématique d’aide au diagnostic de plusieurs angles et nous proposons plusieurs méthodes constituant un outil complet. Ainsi, nous proposons deux méthodes d’évaluation de densité du sein étant un des facteur de risque, une méthode de détection d’anormalités, une technique d’estimation d’incertitude d’un classifieur basé sur des réseaux neuronaux, et une méthode de transfert de connaissances depuis mammographie 2D vers l’imagerie de tomosynthèse. Nos méthodes contribuent notamment à l’état de l’art des méthodes d’apprentissage faible et ouvrent des nouvelles voies de recherche.
Mots-clés : Apprentissage profond, Imagerie du sein, Classification, Segmentation, Supervision faible
——————————————————————————————————————————————————————————————————————-
Abstract: Breast cancer has the highest incidence amongst women. Regular screening allows to reduce the mortality rate, but creates a heavy workload for clinicians. To reduce it, the computer-aided diagnosis tools are designed, but a high level of performances is expected. Deep learning techniques have a potential to overcome the limitations of the traditional image processing algorithms. Although several challenges come with the deep learning applied to breast imaging, including heterogeneous and unbalanced data, limited amount of annotations, and high resolution. Facing these challenges, we approach the problem from multiple angles and propose several methods integrated in complete solution. Hence, we propose two methods for the assessment of the breast density as one of the cancer development risk factors, a method for abnormality detection, a method for uncertainty estimation of a classifier, and a method of transfer knowledge from mammography to tomosynthesis. Our methods contribute to the state of the art of weakly supervised learning and open new paths for further research.
Keywords: Deep learning, Breast Imaging, Classification, Segmentation, Weak supervision

Félicitations aux équipes SIMS et STR pour leur best paper award remporté lors de la conférence Audio Mostly 2021 !

Vincent Lostanlen (CR CNRS, équipe SIMS), Antoine Bernabeu (doctorant, équipe STR (encadrants : M. Briday, S.Faucou, O. H. Roux), Jean-Luc Béchennec (CR CNRS, équipe STR), Mikaël Briday (MCF ECN, équipe STR), Sébastien Faucou (MCF UN, équipe STR) et Mathieu Lagrange (CR CNRS, équipe SIMS) ont eu le plaisir de voir leurs travaux communs récompensés à l’occasion de la conférence Audio Mostly 2021.

Plus précisément, l’équipe mixte SIMS / STR a déposé un papier présenté lors du 2ème workshop international sur l’Internet des sons (IWIS 2021), organisé par le Département d’ingénierie de l’information et d’informatique de l’Université de Trento (Italie) qui s’est tenu du 1er au 3 septembre 2021. L’Internet des Sons est un domaine de recherche émergent, à l’intersection des domaines de l’Internet des Objets et de l’Informatique du Son et de la Musique.

Vous pouvez retrouver le talk sur la chaîne Youtube de Vincent, et l’article intitulé « Energy Efficiency is Not Enough: Towards a Batteryless Internet of Sounds » sur HAL.

Soutenance de thèse de Diane MORNAS (équipe SIMS)

Diane Mornas, doctorante au sein de l’équipe SIMS, soutiendra sa thèse intitulée « Modélisation paramétrique de l’hyperémie fonctionnelle en IRMf ASL comme un mélange de sources » / « Parametric modelling of functional hyperaemia in fMRI ASL as a mixture of sources »

jeudi 1er juillet 2021 à 14h, à l’Ecole Centrale de Nantes (si les conditions le permettent).

Jury :
– Directeur de thèse : Jérôme Idier (Directeur de Recherche CNRS, LS2N, Nantes)
– Co-encadrant : Clément Huneau (Maître de conférences, Université de Nantes, LS2N, Nantes)
– Rapporteurs : Jean Daunizeau (Chargé de Recherche INSERM, Institut du Cerveau, Paris) ; Jean-François Giovannelli (Professeur des Universités, Université de Bordeaux, IMS, Bordeaux)
– Autres membres : Sylvie Lorthois (Directrice de Recherche CNRS, IMFT, Toulouse) ; Mélanie Pélégrini-Issac (Ingénieure de Recherche INSERM, LIB, Paris)

Résumé : L’activité neuronale engendre par vasodilatation des petits vaisseaux sanguins cérébraux une augmentation de volume et de débit sanguin cérébral. C’est le phénomène de l’hyperémie fonctionnelle qui est induit par le couplage neurovasculaire. L’hyperémie fonctionnelle est directement observable avec la technique d’imagerie d’IRMf ASL.
Une altération de l’hyperémie fonctionnelle a été observée dans certaines maladies neurodégénératives comme l’artériopathie CADASIL.
L’objectif de cette thèse est de proposer une modélisation de l’hyperémie fonctionnelle mesurée dans un voxel d’IRMf ASL ainsi qu’une méthode adaptée à son identification. Nous proposons le modèle paramétrique Fast-Slow. Il modélise une réponse en débit à une stimulation neuronale comme étant induite par deux mécanismes vasodilatateurs « rapide » et « lent », temporellement et spatialement distincts. Ce modèle dépend de paramètres dynamiques caractérisant la forme des réponses des deux mécanismes par région cérébrale et de paramètres caractérisant la contribution des deux mécanismes par voxel. Dans un premier temps, nous avons élaboré et validé plusieurs stratégies d’estimation adaptées au problème d’identification du modèle paramétrique à partir de données simulées de débit relatif. Dans un second temps, à partir de la meilleure stratégie nous avons validé l’utilisation du modèle sur des données réelles d’IRMf ASL mesurées chez des patients CADASIL et des sujets Contrôles dans le but de différencier les données de ces deux groupes. Le modèle Fast-Slow permet aussi de construire des cartes de distributions spatiales des paramètres voxéliques. Cette thèse montre que notre modèle permet d’extraire des informations spatiales et temporelles à partir des données IRMf ASL dans le but d’améliorer la compréhension du couplage neurovasculaire.

Mots-clés : Couplage neurovasculaire, IRMf ASL, débit sanguin cérébral, modélisation, identification paramétrique

——————————————————————————————————————————————————————————————————————-

Abstract: Neural activity leads to an increase in cerebral blood volume and flow by vasodilatation of the small cerebral blood vessels. This is the phenomenon of functional hyperaemia, which is induced by neurovascular coupling. Functional hyperaemia is directly measurable with the ASL fMRI imaging technique.
Impaired functional hyperemia has been observed in some neurodegenerative diseases such as CADASIL arteriopathy.
The aim of this thesis is to propose a model of the functional hyperaemia measured in an ASL fMRI voxel and a suitable method to its identification. We propose the Fast-Slow parametric model. It models a flow response to neuronal stimulation as being induced by two temporally and spatially distinct « fast » and « slow » vasodilatory mechanisms. This model depends on dynamic parameters characterising the shape of the response for each mechanism per brain region and on parameters characterising the contribution of the two mechanisms per voxel. In a first step, we developed and validated several estimation strategies adapted to the problem of identifying the parametric model from simulated relative flow data. In a second step, based on the best strategy, we validated the use of the model on real ASL fMRI data measured in CADASIL patients and Control subjects in order to differentiate the data of these two groups. The Fast-Slow model also allows the construction of maps of spatial distributions of voxel parameters. This thesis shows that our model allows the extraction of spatial and temporal information from ASL fMRI data in order to improve the understanding of neurovascular coupling.

Keywords: Neurovascular coupling, ASL fMRI, cerebral blood flow, modeling, parametric identification

Soutenance de thèse de Diane MORNAS (équipe SIMS)

Diane Mornas, ancienne doctorante de l’équipe SIMS, a soutenu sa thèse intitulée « Modélisation paramétrique de l’hyperémie fonctionnelle en IRMf ASL comme un mélange de sources »
jeudi 1er juillet 2021 à 14h en mixte présentiel à Centrale et visio.

Jury :
– Rapporteurs : Jean DAUNIZEAU, Chargé de Recherche INSERM, Institut du Cerveau, Paris ; Jean-François GIOVANNELLI, Professeur des Universités, IMS, Bordeaux
– Examinatrices: Sylvie LORTHOIS, Directrice de Recherche CNRS, IMFT, Toulouse ; Mélanie PELEGRINI-ISSAC, Docteur Ingénieur de Recherche INSERM, LIB, Paris
– Directeur et co-encadrant : Jérôme IDIER, Directeur de Recherche CNRS, LS2N ; Clément HUNEAU, Maître de Conférences, Université de Nantes, LS2N

Résumé : L’activité neuronale engendre  par vasodilatation des petits vaisseaux sanguins cérébraux une augmentation de volume et de débit sanguin cérébral. C’est le phénomène de l’hyperémie fonctionnelle qui est induit par le couplage neurovasculaire. L’hyperémie fonctionnelle est directement observable avec la technique d’imagerie d’IRMf ASL.
Une altération de l’hyperémie fonctionnelle a été observée dans certaines maladies neurodégénératives comme l’artériopathie CADASIL.
L’objectif de cette thèse est de proposer une modélisation de l’hyperémie fonctionnelle mesurée dans un voxel d’IRMf ASL ainsi qu’une méthode adaptée à son identification. Nous proposons le modèle paramétrique Fast-Slow. Il modélise une réponse en débit à une stimulation neuronale comme étant induite par deux mécanismes vasodilatateurs « rapide » et « lent », temporellement et spatialement distincts. Ce modèle dépend de paramètres dynamiques caractérisant la forme des réponses des deux mécanismes par région cérébrale et de paramètres caractérisant la contribution des deux mécanismes par voxel. Dans un premier temps, nous avons élaboré et validé plusieurs stratégies d’estimation adaptées au problème d’identification du modèle paramétrique à partir de données simulées de débit relatif. Dans un second temps, à partir de la meilleure stratégie nous avons validé l’utilisation du modèle sur des données réelles d’IRMf ASL mesurées chez des patients CADASIL et des sujets Contrôles dans le but de différencier les données de ces deux groupes. Le modèle Fast-Slow permet aussi de construire des cartes de distributions spatiales des paramètres voxéliques. Cette thèse montre que notre modèle permet d’extraire des informations spatiales et temporelles à partir des données IRMf ASL dans le but d’améliorer la compréhension du couplage neurovasculaire.

Mots-clés : Couplage neurovasculaire, IRMf ASL, débit sanguin cérébral, modélisation, identification paramétrique

——————————————————————————————————————————————————————————————————————-

Abstract: Neural activity leads to an increase in cerebral blood volume and flow by vasodilatation of the small cerebral blood vessels. This is the phenomenon of functional hyperaemia, which is induced by neurovascular coupling. Functional hyperaemia is directly measurable with the ASL fMRI imaging technique.
Impaired functional hyperemia has been observed in some neurodegenerative diseases such as CADASIL arteriopathy.
The aim of this thesis is to propose a model of the functional hyperaemia measured in an ASL fMRI voxel and a suitable method to its identification. We propose the Fast-Slow parametric model. It models a flow response to neuronal stimulation as being induced by two temporally and spatially distinct « fast » and « slow » vasodilatory mechanisms. This model depends on dynamic parameters characterising the shape of the response for each mechanism per brain region and on parameters characterising the contribution of the two mechanisms per voxel. In a first step, we developed and validated several estimation strategies adapted to the problem of identifying the parametric model from simulated relative flow data. In a second step, based on the best strategy, we validated the use of the model on real ASL fMRI data measured in CADASIL patients and Control subjects in order to differentiate the data of these two groups. The Fast-Slow model also allows the construction of maps of spatial distributions of voxel parameters. This thesis shows that our model allows the extraction of spatial and temporal information from ASL fMRI data in order to improve the understanding of neurovascular coupling.

Keywords: Neurovascular coupling, ASL fMRI, cerebral blood flow, modeling, parametric identification

Soutenance de thèse d’Olivier BORDRON (équipe SIMS)

Olivier Bordron, doctorant de l’équipe SIMS, soutiendra sa thèse intitulée « Influence d’une orthèse de genou sur le mouvement humain«  / « Influence of a knee orthosis on human motion »

mardi 30 mars 2021 à 9h.

Direct sur Zoom (ID de réunion : 977 2911 0344 / Code secret : %at$S*3N)

Jury :

  • Rapporteurs : Laurence CHÈZE, Professeur des universités, Université, Claude Bernard Lyon 1 ; Frédéric MARIN, Professeur des universités, Université de Technologie de Compiègne
  • Examinateurs : Samer MOHAMMED, Professeur des universités, Université Paris-Est Créteil ; Véronique MARCHAND, Directrice de recherche INSERM, Sorbonne Université, Valérie RENAUDIN Directrice de recherche, Université Gustave Eiffel
  • Directeur de thèse : Yannick AOUSTIN, Professeur des universités, Université de Nantes
  • Co-encadrants de thèse : Clément HUNEAU, Maître de conférences, Université de Nantes ; Éric LE CARPENTIER, Maître de conférences, École Centrale de Nantes
  • Membre invité : Christine CHEVALLEREAU, Directrice de recherche CNRS, Laboratoire des Sciences du Numérique de Nantes

Résumé : Avec le vieillissement de la population, la sédentarité, l’augmentation des accidents vasculaires cérébraux et autres déficiences motrices, la mobilité est un enjeu mondial primordial. À ce problème, les exosquelettes et les orthèses constituent une réponse technologique possible. Une orthèse est un système pluridisciplinaire qui doit s’adapter au corps de l’utilisateur pour l’assister dans son mouvement. De par sa nature complexe, elle impose à l’utilisateur des contraintes physiques, technologiques et liées à la commande. Les  matériaux utilisés, la géométrie, la chaîne de puissance, la chaîne d’information, la morphologie de l’être humain et la nature du mouvement sont autant d’éléments qui influent sur la nature et l’amplitude des contraintes. Si celles-ci sont trop importantes, l’utilisateur va devoir s’adapter et modifier sa démarche en conséquence. Pour prévoir les contraintes physiques appliquées par une orthèse de genou sur un individu au cours d’un mouvement cyclique tel que le squat ou la marche, un simulateur a été développé. Il permet de générer des trajectoires optimales au sens d’une fonction de coût et de calculer les couples articulaires nécessaires à la réalisation du mouvement. Une étude expérimentale a été menée sur plusieurs sujets pour comprendre comment le poids se répartit au cours d’un mouvement de squat. Fondé sur ces résultats, un modèle de répartition des efforts a été proposé.

Mots-clés : orthèse, exosquelette, squat, capture de mouvement, modèle dynamique


Abstract: With an aging population, sedentary lifestyles, an increase in strokes and other motor deficiencies, mobility is a global concern of paramount importance. To this problem, exoskeletons and orthoses are one possible technological solution. An orthosis is a multidisciplinary system that must adapt to the user’s body to assist him in his motion. Due to its complex design, it involves physical, technological and control constraints on the user. The materials used, the shape, the information and power chain, the human morphology and the motion are all factors that influence the type and amplitude of the constraints. If these constraints are too important, the user will have to adapt and modify his gait consequently. To predict the physical constraints applied by a knee orthosis on a human being during a cyclic motion such as squatting or walking, a simulator has been developed. It enables the generation of optimal trajectories in accordance with a cost function and the computation of the joint torques required to achieve the motion. An experimental study was conducted on several subjects to understand how weight is distributed during a squat motion. Based on these results, a model for the forces distribution was proposed.

Keywords: orthosis, exoskeleton, squat motion, motion capture, dynamic model

Soutenance de thèse de Félix GONTIER (équipe SIMS)

Félix Gontier, doctorant au sein de l’équipe SIMS soutient sa thèse intitulée « Analyse et synthèse de scènes sonores urbaines par approches d’apprentissage profond »

mardi 15 décembre 2020 à 10h00 en visio.

Jury :
– Rapporteurs : Dick Botteldooren – Professeur des Universités, Université de Ghent ; Gaël Richard – Professeur, Télécom Paris
– Examinateurs : Catherine Marquis-Favre – Directrice de recherche, ENTPE ; Romain Serizel – Maître de conférences, LORIA, Université de Lorraine
– Directeur de thèse : Jean-François Petiot – Professeur des Universités, École Centrale de Nantes
– Co-directrice de thèse : Catherine Lavandier – Professeur des Universités, Université de Cergy-Pontoise
– Co-encadrant de thèse : Mathieu Lagrange – Chargé de recherche (HDR), LS2N

Résumé :
L’avènement de l’Internet des Objets (IoT) a permis le développement de réseaux de capteurs acoustiques à grande échelle, dans le but d’évaluer en continu les environnements sonores urbains. Dans l’approche de paysages sonores, les attributs perceptifs de qualité sonore sont liés à l’activité de sources, quantités d’importance pour mieux estimer la perception humaine des environnements sonores. Utilisées avec succès dans l’analyse de scènes sonores, les approches d’apprentissage profond sont particulièrement adaptées pour prédire ces quantités. Cependant, les annotations nécessaires au processus d’entraînement de modèles profonds ne peuvent pas être directement obtenues, en partie à cause des limitations dans l’information enregistrée par les capteurs nécessaires pour assurer le respect de la vie privée.
Pour répondre à ce problème, une méthode pour l’annotation automatique de l’activité des sources d’intérêt sur des scènes sonores simulées est proposée. Sur des données simulées, les modèles d’apprentissage profond développés atteignent des performances « état de l’art » pour l’estimation d’attributs perceptifs liés aux sources, ainsi que de l’agrément sonore. Des techniques d’apprentissage par transfert semi-supervisé sont alors étudiées pour favoriser l’adaptabilité des modèles appris, en exploitant l’information contenue dans les grandes quantités de données enregistrées par les capteurs. Les évaluations sur des enregistrements réalisés in situ et annotés montrent qu’apprendre des représentations latentes des signaux audio compense en partie les défauts de validité écologique des scènes sonores simulées.
Dans une seconde partie, l’utilisation de méthodes d’apprentissage profond est considérée pour la resynthèse de signaux temporels à partir de mesures capteur, sous contrainte de respect de la vie privée. Deux approches convolutionelles sont développées et évaluées par rapport à des méthodes état de l’art pour la synthèse de parole.

Mots-clés : Paysages sonores, Réseaux de capteurs acoustiques, Perception de sources sonores, Synthèse sonore

Rejoindre la réunion Zoom :
https://ec-nantes.zoom.us/j/98212839223
ID de réunion : 982 1283 9223
Code secret : DU#3xGYV

—————————————————————————————————————————————————–

Abstract:
The advent of the Internet of Things (IoT) has enabled the development of large-scale acoustic sensor networks to continuously monitor sound environments in urban areas. In the soundscape approach, perceptual quality attributes are associated with the activity of sound sources, quantities of importance to better account for the human perception of its acoustic environment. With recent success in acoustic scene analysis, deep learning approaches are uniquely suited to predict these quantities. Though, annotations necessary to the training process of supervised deep learning models are not easily obtainable, partly due to the fact that the information content of sensor measurements is limited by privacy constraints.
To address this issue, a method is proposed for the automatic annotation of perceived source activity in large datasets of simulated acoustic scenes. On simulated data, trained deep learning models achieve state-of-the-art performances in the estimation of source-specific perceptual attributes and sound pleasantness. Semi-supervised transfer learning techniques are further studied to improve the adaptability of trained models by exploiting knowledge from the large amounts of unlabelled sensor data. Evaluations on annotated in situ recordings show that learning latent audio representations of sensor measurements compensates for the limited ecological validity of simulated sound scenes.
In a second part, the use of deep learning methods for the synthesis of time domain signals from privacy-aware sensor measurements is investigated. Two spectral convolutional approaches are developed and evaluated against state-of-the-art methods designed for speech synthesis.

Keywords: Soundscape, Acoustic sensor networks, Sound source perception, Sound synthesis

NDW 2020 – Journée « IA et les ODDs »

La chaire UNESCO REL animera une journée sur l’intelligence artificielle et les objectifs de développement durable dans le cadre de la Nantes Digital Week,

mardi 22 septembre 2020 de 10h à 18h.

Les thèmes choisis pour cet événement sont les ODDs :

  • 3 (Santé et bien-être),
  • 8 (Accès à des emplois décents)
  • et 14 (Océans et mers).

Samuel Chaffron (équipe COMBI), Benoit Delahaye (équipe AeLoS), Damien Eveillard (équipe COMBI) et Diana Mateus (équipe SIMS) représenteront le labo au cours des tables rondes.

Programme détaillé sur https://chaireunescorel.ls2n.fr/2020/08/27/conference-en-ligne-ia-et-objectifs-de-developpement-durable/

En raison de la crise sanitaire, la journée se déroulera principalement à distance, grâce à une diffusion des débats en streaming sur le blog de la chaire. Un public d’une quinzaine de personnes participera à cet événement en présentiel.

Pour plus d’informations, le site officiel.

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)

Copyright : LS2N 2017 - Mentions Légales - 
 -