1 / 52

Domaine DI D écision, I mage

Domaine DI D écision, I mage. Bilan (2006–2010) Indicateurs Bilan scientifique Analyse Projet (2012–2015). Responsable de l’équipe : Yves Grandvalet. Domaine DI D écision, I mage. Bilan (2006–2010) Indicateurs Bilan scientifique Analyse Projet (2012–2015).

yetta-owen
Download Presentation

Domaine DI D écision, I mage

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Domaine DIDécision, Image • Bilan (2006–2010) • Indicateurs • Bilan scientifique • Analyse • Projet (2012–2015) Responsable de l’équipe : Yves Grandvalet

  2. Domaine DIDécision, Image • Bilan (2006–2010) • Indicateurs • Bilan scientifique • Analyse • Projet (2012–2015) Responsable de l’équipe : Yves Grandvalet

  3. Composition de l’équipe en 2011

  4. Evolution de l’équipe 3 recrutements1 professeur des universités (2006) 1 maître de conférences (2007) 1 chargé de recherche CNRS (2010) 2 départs2 maîtres de conférences (2006) (1 promotion PR, 1 mutation UTC) 2 HDR(2006, 2010) 1 promotion directeur de recherche (2010) 1 éméritat(2010) 2 mobilités à l’étranger 1 chargé de recherche CNRS (2006-2008) - Idiap (EPFL), Suisse 1 chargé de recherche CNRS (2007-2011) - LIAMA, Pékin, Chine

  5. Formation doctorale • 20 thèses soutenues (2006-2010) • 41 mois de durée moyenne • Financements • Ministère (5), Inrets/CEA (4), Projets (5), Cifre (6) • Devenir des 16 docteurs sur 2006-2009 • Enseignant-chercheur/chercheur (9), R&D privée (4)

  6. Bilan publications

  7. Rayonnement scientifique (1/2) Responsabilités nationales • DGA : direction scientifique B. Dubuisson • ENS Cachan, Inrets, Cetim : conseil d’administration • Inria, Paris 6, INPG, etc. : conseil scientifique • CNRS : direction adjointe scientifique INS2I J-P. Coquerez • GdR Isis : direction • CNU 61 : 2 membres

  8. Rayonnement scientifique (2/2) Activités éditoriales Rédacteur en chef - Int. J. Approx. Reasoning Editeur associé - IEEE T. Inf. Technol. Biomed., Fuzzy Sets Syst. Editeur invité - Soft Comput., Int. J. Approx. Reasoning Editeur scientifique - Wiley-ISTE 8 conférences invitées Organisation de conférences/écoles Comité de pilotage, président du comité de programme d’un congrès national Comité de pilotage, président du comité de programme d’une école thématique

  9. Responsabilités établissement • Directeur adjoint du laboratoire T. Denoeux (depuis 2008) • Directeur adjoint du collegium B. Dubuisson (depuis 2009) • puis T. Denoeux • Directeur du laboratoire SIME T. Denoeux (1999-2010) • Responsable Master UTC J.-P. Cocquerez (depuis 2008) • Responsable de la filière biomédicale J.-F. Lerallut (depuis 2005) Implication dans la formation Spécialité du Master de l’UTC « Systèmes Intelligents pour les Transports » Formation ingénieur, filière « Fouille de Données et Décisionnel »

  10. Mobilité Accueil de visiteurs 2 jeunes chercheurs (4 homme-mois) • European Center for Soft Computing, Oviedo, Espagne (2009) • Université de Trente, Italie (2010) Séjours à l’étranger 1 doctorant, 3 mois à l’Idiap, Suisse (2006) Y. Grandvalet, à disposition de l’Idiap, Suisse (2006–2008) F. Davoine, détaché au LIAMA, Chine (2007–2011)

  11. Collaborations internationales • Tunisie • Tunis • Carthage • Liban • Beyrouth • Canada • Montréal • Etats-Unis • Chicago • Princeton • Chine • Pékin • Mexique • Mexico

  12. Collaborations européennes • Angleterre • Sheffield • Oxford • Allemagne • Berlin • Suisse • Martigny • Espagne • Oviedo

  13. Collaborations internes Projets inter-domaines Fusion distribuée sur véhicules communicants (ASER, RO) Projets nationaux, européens • IP CVIS, ANR DIAPA : diagnostic et filtrage pour l’intégrité (ASER) • ANR PERCOIVE : perception coopérative (ASER, RO ) Co-encadrement de thèse Vision pour la perception robotique (ASER)

  14. Projets DI 2006-2010

  15. Valorisation et brevets 2 brevets Fusion d’informations, fusion pour la reconnaissance d’adresse postale 3 logiciels sous licence GnuGPL MIXMOD, SimpleMKL, SVM & Kernelmethodstoolbox Laboratoire commun UTC/CNRS/Suez-Environnement SIME Start-up Facing-it, sur l’analyse de visages, créée en 2006, 4 emplois, prix OSEO émergence 2007

  16. Gouvernance Animation : séminaires, réunions de travail, réunions de domaines Priorités scientifiques Allocations de thèse Recrutement Participation à la politique du laboratoire Comité de direction Conseil scientifique Conseil du laboratoire Mise en œuvre de la politique du laboratoire Soutien missions : conférences, écoles thématiques Soutien publications Suivi planning doctorants

  17. Domaine DIDécision, Image • Bilan (2006–2010) • Indicateurs • Bilan scientifique • Analyse • Projet (2012–2015) Responsable de l’équipe : Yves Grandvalet

  18. Axes scientifiques Objectif Reconnaissance de formes : analyser des données et des signaux complexes Axes de recherche Décision • Raisonnement incertain et fusion d’informations • Apprentissage statistique Image • Vision par ordinateur • Images médicales

  19. Axe 1 : Raisonnement incertainet fusion d’informations PermanentsF. Abdallah, T. Denoeux, M. Masson, B. Quost Objectif Représenter et manipuler des informations partielles, imprécises, ambigües, entachées d’incertitudes • épistémiques • aléatoires sur des modèles, données, connaissances a priori, pour des applications en reconnaissance de formes et en fusion d’informations et de décisions. Orientation de recherche Formalisme des fonctions de croyance Positionnement IRIT, LIP6, Ensieta, IEF, L2S, IDSIA, Universités de Gand, Grenade, Sapienza, etc.

  20. Axe 1 : Raisonnement incertainet fusion d’informations Résultat • 1. Complexité algorithmique • Extension des fonctions de croyance à des treillis • 2. Fiabilité des sources d’information • Opérateur d’affaiblissement contextuel • 3. Fusion, estimation d’état • Extension du filtrage ensembliste • 4. Combinaison de sources dépendantes • Règles de combinaison prudente et hardie

  21. Axe 1 : Raisonnement incertainet fusion d’informations Résultat 3. Filtrage crédibiliste (a) ensembliste multi-hypothèse, Automatica (2008) (b) extension crédibiliste, IEEE Trans. Syst. Man Cybern. B (2010)

  22. Axe 1 : Raisonnement incertainet fusion d’informations Résultat 4. Combinaison de sources dépendantes Artificial Intelligence (2008) Règle de Dempster indépendance des sources • Dépendance, redondance des sources • règle idempotente • Raisonnement indépendant de l’ordre de prise en compte • règle associative • Principe de précaution • engagement minimum Sources fiables règle conjonctive prudente Sources défaillantes règle disjonctive hardie

  23. Axe 2 : Apprentissage statistique • PermanentsF. Abdallah, T. Denoeux, G. Govaert, Y. Grandvalet, • M. Masson, B. Quost • Objectif Etablir des algorithmes d’apprentissage génériques pour • l’ajustement • la sélection • la combinaison • de modèles, et des solutions spécifiques à certains problèmes • classification croisée • apprentissage semi-supervisé • étiquettes multiples (multi-label) • données séquentielles (on-line) • Orientations de recherche : Formalismescrédibilistes et probabilistes

  24. Axe 2 : Apprentissage statistique Résultat 1. Applications des fonctions de croyance sur des treillis Classification non-supervisée par méthode d’ensemble Etiquettes multiples (multi-label) 2. Classification par partition crédale : ECM Partition dure → floue → crédale Appartenance binaire → probabilité → certitude/plausibilité, etc. 3. Classification croisée probabiliste 4. Sélection de paramètres : pénalités parcimonieuses

  25. Axe 2 : Apprentissage statistique Résultat 3. Classification croisée probabiliste Eur. J. Oper. Res. (2007), Comput. Stat. Data Anal. (2008) • Extension des modèles de mélange : « blocs latents » • Adaptation aux données quantitatives, binaires, contingence • Algorithme EM variationnel

  26. Axe 2 : Apprentissage statistique Résultat 4. Pénalités parcimonieuses J. Mach. Learn. Res. (2008), Mach. Learn. (2010), Stat. Comput. (2011) Pénaliser : stabiliser Parcimonie • prédictif : a priori « raisonnable » • inférence : interprétable • calculatoire : efficace Structure : modèles additifs, noyaux, inférence de graphes

  27. Axe 2 : Apprentissage statistique Résultat 4. Pénalités parcimonieuses J. Mach. Learn. Res. (2008), Mach. Learn. (2010), Stat. Comput. (2011) Principe : les coins

  28. Axe 2 : Apprentissage statistique Résultat 4. Pénalités parcimonieuses J. Mach. Learn. Res. (2008), Mach. Learn. (2010), Stat. Comput. (2011) Structure : placement de coins

  29. Axe 2 : Apprentissage statistique Positionnement Fonctions de croyance en RdF Telecom ParisTech, Onera, IEF, Ensieta, Gipsa-lab, Irisa, etc. Classification croisée U. T. Austin, Harvard MedicalSchool, U. Louvain, Lisbonne, etc. Pénalités parcimonieuses Inria (Willow), Mines ParisTech, Litis, Stat. et Génome, etc.

  30. Axe 3 : Vision par ordinateur PermanentsV. Frémont, F. Davoine (2006–2007) Objectifs Analyse de visages sur vidéo Perception 3D pour la détection et le suivi d’objets en environnement dynamique Orientations de recherche Combinaison d’informations spatiales et temporelles éparses Résultats majeurs Suivi temps réel de visage et de gestes faciaux Odométrie visuelle temps réel Positionnement INPG (e-motion), Sophia (Arobas), LIRMM, LASMEA, LAAS, etc. Démonstration le 03/02 : Odométrie visuelle, plateforme véhicule intelligent

  31. Axe 3 : Vision par ordinateur Résultat Odométrie visuelle temps réel IEEE Intelligent Vehicles Symposium (IV’2010), taux de sélection 12%

  32. Axe 3 : Vision par ordinateur Résultat Odométrie visuelle temps réel IEEE Intelligent Vehicles Symposium (IV’2010), taux de sélection 12%

  33. Axe 4 : Images médicales Permanents D. Boukerroui, J.-F. Lerallut Objectifs Segmenter des images médicales pour l’aide au diagnostic • Tomographie • Scanner • Ultra-sons Orientations de recherche Méthodes variationnelles avec a priori • de position • de forme critères d’ajustement de contours déformables peu sensibles au contraste, basés sur les courbes de niveau calculées sur l’information de phase locale Positionnement MIA, U. Oxford, EPFL, U. Kiel, U. Western Australia

  34. Axe 4 : Images médicales Résultat Reconstruction 3D à partir d’echocardiographies pédiatrique 3D : IEEE T. Inf. Technol. Biomed. (2011)

  35. Axe 4 : Images médicales Résultat Reconstruction 3D à partir d’echocardiographies pédiatrique 3D : IEEE T. Inf. Technol. Biomed. (2011)

  36. Faits marquants • Prix • Prix de thèse Guy Deniélou UTC, 2007 • Conférences nationales : RFIA’2006, CAp’07 • Conférences internationales : FUSION’2007, NAFIPS’2008 • Impact des travaux (ISI Web of KnowledgeSM) • 10 articles dans les 10% les plus cités sur 2006–2010 • 99 citations pour IEEE Transactions on Medical Imaging • 10 : h-index de l’équipe sur 2006–2010

  37. Domaine DIDécision, Image • Bilan (2006–2010) • Indicateurs • Bilan scientifique • Analyse • Projet (2012–2015) Responsable de l’équipe : Yves Grandvalet

  38. Suivi des recommandationsdu Comité d’Evaluation 2006 Renforcer l’ancrage de DI : collaborations avec d’autres thèmes Programmes inter-domaines Projets communs CVIS, PERCOIVE, DIAPA Rapprocher la partie « Image » d’ASER Une thèse co-encadrée sur l’odométrie visuelle et le suivi Participation à la plateforme « véhicule intelligent » Imagerie médicale : risque de dispersion/marginalisation Conseil scientifique : encouragement à rejoindre les activités en vision Participation au projet « vision »

  39. Auto-analyse (1/2) Forces Taux et supports de publication, impact des travaux Employabilité des doctorants Présence de chercheurs CNRS (2 + 1) Implication dans les instances nationales, les activités éditoriales internationales Faiblesses Visibilité de l’activité « Imagerie médicale » Taille sous-critique de l’activité vision

  40. Auto-analyse (2/2) • Opportunités • Nouvelles compétences sur les grandes bases de données • Projet LIAMA (Heudiasyc–MP Lab. de l’université de Pékin) • Fédération SHIC/Collegium • Relations industrielles à développer • Logiciel Mixmod • Menaces • Absence de domaine applicatif fédérateur pour la décision • Difficulté à trouver des doctorants sur les sujets à spectre large

  41. Domaine DIDécision, Image • Bilan (2006–2010) • Indicateurs • Bilan scientifique • Analyse • Projet (2012–2015) Responsable de l’équipe : Yves Grandvalet

  42. Enjeux et objectifs • 1. Intégrer les évolutions technologiques • capacités de stockage et de traitement des calculateurs • coûts des calculateurs et des capteurs de vision • information distribuée, passage à l’échelle (systèmes • de systèmes, Labex) faisabilité des approches applicabilité à grande échelle nouvelles données et nouveaux problèmes • 2. Humain dans la boucle • représentation numérique de l’expertise humaine • synthèse de l’information pour l’utilisateur

  43. Axes scientifiques • Raisonnement incertain et fusion d’informations • Apprentissage statistique • Apprentissage et incertain pour la vision

  44. Axe 1 : Raisonnement incertainet fusion d’informations Permanents F. Abdallah, T. Denoeux, M. Masson, B. Quost Objectifs Consolider l’approche crédibiliste, en gérant les incertitudes et leur propagations à tous niveaux. Etablir des principes d’estimation à partir de données incertaines : • principes analogues au maximum de vraisemblance • sur des données incertaines Evolutions thématiques 1. Elicitation de croyances 2. Fusion distribuée dans les réseaux Verrous 1. Absence de méthodologie dans le cadre crédibiliste 2. Fiabilité, dépendance, synchronisation des sources Positionnement Formalisme (=), méthodologie (=), distribué (+), connaissances expertes (+)

  45. Axe 2 : Apprentissage statistique Permanents F. Abdallah, A. Bordes, T. Denoeux, G. Govaert, Y. Grandvalet, M. Masson, B. Quost Objectifs • Doter la classification croisée d’outils avancés de la classification simple • Sélection de modèles • Sélection de variables/individus • Proposer des solutions pour les données délicates à traiter (bruitées, manquantes, imprécises, structurées, de grande taille, creuses, etc.) • Evaluer les apports du formalisme crédibiliste sur ces données, et sur des problèmes comme l’apprentissage de préférences (ranking) • Introduire l’apprentissage pour les opérateurs de fusion • Apprentissage continu (life-long learning) : révision des croyances

  46. Axe 2 : Apprentissage statistique Evolutions thématiques Critères combinatoires Grandes bases de données Révision de croyances dans le processus d’apprentissage Verrous Complexité algorithmique • Solutions approchées garanties • Solutions exactes à des problèmes proches (approche variationnelle) Qualification et quantification des performances PositionnementParcimonie (-), modèles (=), formalismes (=), non-stationnarité (+), grandes bases (+)

  47. Axe 3 : Apprentissage et incertain pour la vision PermanentsD. Boukerroui, V. Frémont, B. Quost, F. Davoine Objectifs Perception 3D multimodale pour l’analyse de scène • référencée vision • en environnement fortement dynamique Evolutions thématiques Gérer les incertitudes, assurer l’intégrité de la perception • de l’extraction des primitives • à la reconstruction 3D : scène, mouvements des objets et du porteur Densification des données Verrous Gestion des incertitudes en temps réel Positionnement Epars (-), temps réel (=), confiance (+)

  48. Collaborations prévues Internes ASER : perception robotique ASER, RO : fusion distribuée sur véhicules communicants ASER, ICI : analyse du geste SHIC : analyse de données en toxicologie prédictive Collegium : incertitudes liées au changement climatique Nationales CRIP5, INRIA Futurs, Statistique & Génome IRIT, CIRAD LIRMM Internationales Idiap, Martigny, Suisse Université de Montréal, Canada LIAMA, Pékin, Chine « 3D Multimodal Perception and Reasoning »

  49. Cibles industrielles Fusion : Astrium, Thales Gestion du risque : Suez-environnement, nucléaire Classification croisée : marketing Diagnostic, perception : constructeurs et équipementiers automobiles

  50. Prises de risque Elicitation de croyance Compétences sciences humaines : stratégies de recueil, explicitation de connaissances tacites, etc. (Labex) Richesse des fonctions de croyance plus de nombres à éliciter Calibration, fiabilité des experts, conflits d’intérêt, etc. Combinaison Traitement des incertitudes temps-réel en vision embarquée Données denses : capteurs haute définition Informations éparses et denses Allocation de ressources Intégrité, dilemme réactivité/confiance

More Related