Archives

Observation des déformations 3D d’organes à tissus mous par IRM ultra rapide

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Laboratoire d’Informatique et Systèmes, LIS UMR CN
Durée : 4 à 6 mois
Contact : marc-emmanuel.bellemare@univ-amu.fr
Date limite de publication : 2023-02-28

Contexte :
Les troubles de la statique pelvienne représentent un enjeu de santé publique. Ils regroupent un ensemble de pathologies associant une perte des rapports anatomiques normaux des organes pelviens, et une altération dramatique de la qualité de vie des malades. Ces pathologies sont handicapantes à des degrés variés mais leur physiopathologie reste encore mal connue ce qui complique leur prise en charge. De nouvelles séquences d’acquisition IRM, associées à une reconstruction adaptée, ont permis la visualisation 3D des organes en mouvement. Des résultats probants ont été récemment obtenus et publiés pour l’observation de la vessie (Figure) et il s’agit, dans le cadre du stage, de s’intéresser aux autres organes pelviens. Ce projet se développe en collaboration avec le CRMBM, pour la réalisation de séquences IRM ultra rapides adaptées à l’observation souhaitée.

Sujet :
Des acquisitions multi-planaires sont réalisées dans des plans non classiques ce qui complique la reconnaissance des organes. Ainsi la segmentation des principaux organes impliqués est une étape primordiale mais difficile. Des architectures de de réseaux de neurones seront évaluées en comparaison avec la référence, U-Net (Mask-RCNN, Retina-Net). Un modèle géométrique 3D des organes peut ensuite être recalé sur les contours segmentés. Il s’agit alors de proposer une stratégie qui optimise à la fois la séquence d’acquisition et les modèles géométriques des surfaces des organes observés. Ces modèles géométriques permettront alors une caractérisation quantitative des déformations. Les problématiques de recalage, de segmentation et de modèles 3D, au cœur du projet, seront abordées selon les compétences et préférences du stagiaire.

Profil du candidat :
Le candidat ou la candidate sera intéressé(e) par un projet pluridisciplinaire et par l’imagerie médicale. Les domaines abordés concernent les réseaux de neurones profonds, la segmentation d’IRM et la reconstruction 3D. Des compétences en mathématiques appliquées seront particulièrement appréciées. Une expérience de la programmation avec l’environnement python (PyTorch) est attendue. Le stage aura une durée de 4 à 6 mois avec la gratification d’usage.

Formation et compétences requises :
De formation master ou ingénieur avec des compétences en traitement des images.

Adresse d’emploi :
Le stage se déroulera à Marseille essentiellement au laboratoire d’informatique et des systèmes (LIS) dans l’équipe Images & Modèles sur le campus de St Jérome. Le LIS UMR 7020 fédère plus de 375 membres. La recherche y est structurée au sein de pôles (calcul, science des données, analyse et contrôle des systèmes, signal et image), et centrée sur les activités dans les domaines de l’informatique, de l’automatique, du signal et de l’image.
Aix-Marseille Université
Campus scientifique de St Jérôme – Bâtiment Polytech’ GI – Av. Escadrille Normandie Niemen -13397 Marseille Cedex 20

Document attaché : 202211181327_Sujet_Master2_DL&Reconstruction3D_2023.pdf

APPRENTISSAGE FEDERE SUR LES DONNEES DE MOBILITE

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : IRIT
Durée : 1 an
Contact : imen.megdiche@gmail.com
Date limite de publication : 2023-03-18

Contexte :
Le projet VILAGIL ambitionne de créer un écosystème capable de répondre aux besoins de la mobilité pour la région Occitanie, et plus largement de contribuer au développement d’innovations dans le domaine de la ville intelligente ». Dans le cadre de ce projet, l’action « Data et Mobilité » conçoit et développe des mécanismes d’intégration automatique et d’accès fédérés aux données de mobilité. Ces données sont fournies par les partenaires non académiques du projet tels que Toulouse Metropole, Sicoval, Tisséo Collectivité ; dans certains cas ces données seront distribuées sur les différents sites des partenaires sans possibilité de les intégrer de manière centralisée. L’offre de postdoc cible donc particulièrement la problématique de l’’apprentissages fédérés (« federated learning ») afin de développer des algorithmes d’apprentissage automatique dirigés par ces données.

Sujet :
Vu la forte hétérognièté des données collectées dans le projet VILAGIL (données de capteurs dans la ville images et vidéos de surveillance, données de véhicules autonomes, etc), nous souhaitons proposer une architecture d’apprentissage fédéré qui considère les clients de données en fonction de leur nature (cross-device / cross-silo), et de la nature de distribution des données ( verticale / horizontale ). Cette architecture devrait assurer à terme un apprentissage personnalisé pour chacun des clients et une équité par rapport à la collaboration dans l’ apprentissage.
Nous envisageons d’élaborer cette architecture en combinant à la fois une première étape de clustering de clients et une deuxième étape d’apprentissage machine fédéré. Le clustering des clients est souvent appliqué dans l’objectif d’identifier un sous ensemble de clients qui auraient des modèles d’apprentissage similaires sans divulguer leurs données. Les approches [1] et [2] proposent des méthodes appliquées dans le cadre de données non-IID qui calculent les similarités qu’il y aurait entre les paramètres de modèles pour regrouper les clients. L’objectif de ses approches est de personnaliser les modèles au niveau des nœuds locaux en tenant compte de distributions hétérogènes dans les données. En s’inspirant des travaux récents de [1], [2] l ’architecture proposée devrait être comparée expérimentalement par rapport à d’autres approches existantes de la littérature [3] et démontrant son intérêt.
Le postdoc aura pour mission :
– De développer une preuve de concept pour démontrer l’architecture sur des jeux de données identifiés pertinents par rapport au projet (jeux de données réels de partenaires et/ou jeux de données issus de la littérature scientifique du domaine).
– De participer à des réunions du porjet VILAGIL au niveau de l’Action « Data & Mobilité » et des réunions de coordinnation entre les différentes actions.
– De positionner ses travaux et les contributions par rapport à la littérature scientifique du domaine de l’apprentissage fédéré, et de publier les contributions dans des journaux et conférences internationales de premier rang mondial

Références Bibliographiques
[1] Yoo, Joo Hun et al. “Personalized Federated Learning with Clustering: Non-IID Heart Rate Variability Data Application.” 2021 International Conference on Information and Communication Technology Convergence (ICTC) (2021): 1046-1051.
[2] Huang, Yutao et al. “Personalized Cross-Silo Federated Learning on Non-IID Data.” AAAI (2021).
[3] Hangyu Zhu, Jinjin Xu, Shiqing Liu, Yaochu Jin. Federated learning on non-IID data: A survey, Neurocomputing, Volume 465, 2021, Pages 371-390, ISSN 0925-2312,

Profil du candidat :
Nous recherchons un(e) candidat(e) motivé(e), force de propositions, avec un solide background en mathématiques appliquées et des connaissances confirmées en IA.
Les candidatures sont à envoyer à (imen.megdiche@irit.fr) et (olivier.teste@irit.fr) . Le dossier doit contenir :
 CV incluant les publications scientifiques
 Lettre de motivation
 Copie du dernier diplôme
 Pré-rapport et rapport de soutenance de thèse
 Une expérience en federated learning serait un atout.

Formation et compétences requises :
un solide background en mathématiques appliquées et des connaissances confirmées en IA. Une expérience en federated learning serait un atout.

Adresse d’emploi :
IRIT Site Paul Sabatier, 118 Route de Narbonne, 31062 Toulouse, FRANCE

Document attaché : 202211181239_VILAGIL_Fiche_De_Poste_PostDoc_22_23.pdf

CfP FRCCS 2023 – Third French Regional Conference on Complex Systems, May 31 Le Havre, France, June 02, 2023

Date : 2023-05-31 => 2023-06-02
Lieu : Le Havre, France

Third French Regional Conference on Complex Systems
May 31 – June 02, 2023
Le Havre, France
FRCCS 2023

You are cordially invited to submit your contribution until February 22, 2023.

FRCCS 2023 (French Regional Conference on Complex Systems 2023) is the Third edition of the French Regional Conference on Complex Systems. It promotes interdisciplinary exchanges between regional researchers from various scientific disciplines and backgrounds (sociology, economics, history, management, archaeology, geography, linguistics, statistics, mathematics, and computer science). FRCCS 2023 is an opportunity to exchange and promote the cross-fertilization of ideas by presenting recent research work, industrial developments, and original applications. Special attention is given to research topics with a high societal impact from the complexity science perspective.

Keynote Speakers (To Be Updated)
Luca Maria Aiello ITU Copenhagen Denmark
Ginestra Bianconi Queen Mary University UK
Adriana Iamnitchi Maastricht University Netherlands
Rosario N. Mantegna Palermo University Italy
Céline Rozenblat University of Lausanne Switzerland

Submission Guidelines
Finalized work (published or unpublished) and work in progress are welcome. Two types of contributions are accepted:
• Full paper about original research

• Extended Abstract about published or unpublished research. It is recommended to be between 3-4 pages. They should not exceed four pages.

o Submissions must follow the Springer publication format available in the journal Applied Network Science in the Instructions for Authors’ instructions entry.

o All contributions should be submitted in pdf format via EasyChair.

Publication
Selected submissions of unpublished work will be invited for publication in special issues (fast track procedure) of the journals:

o Applied Network Science, edited by Springer
o Complexity, edited by Hindawi

Topics include, but are not limited to:
• Foundations of complex systems
o Self-organization, non-linear dynamics, statistical physics, mathematical modeling and simulation, conceptual frameworks, ways of thinking, methodologies and methods, philosophy of complexity, knowledge systems, Complexity and information, Dynamics and self-organization, structure and dynamics at several scales, self-similarity, fractals
• Complex Networks
o Structure & Dynamics, Multilayer and Multiplex Networks, Adaptive Networks, Temporal Networks, Centrality, Patterns, Cliques, Communities, Epidemics, Rumors, Control, Synchronization, Reputation, Influence, Viral Marketing, Link Prediction, Network Visualization, Network Digging, Network Embedding & Learning.
• Neuroscience, Linguistics
o Evolution of language, social consensus, artificial intelligence, cognitive processes & education, Narrative complexity
• Economics & Finance
o Game Theory, Stock Markets and Crises, Financial Systems, Risk Management, Globalization, Economics and Markets, Blockchain, Bitcoins, Markets and Employment
• Infrastructure, planning, and environment
o critical infrastructure, urban planning, mobility, transport and energy, smart cities, urban development, urban sciences
• Biological and (bio)medical complexity
o biological networks, systems biology, evolution, natural sciences, medicine and physiology, dynamics of biological coordination, aging
• Social complexity
o social networks, computational social sciences, socio-ecological systems, social groups, processes of change, social evolution, self-organization and democracy, socio-technical systems, collective intelligence, corporate and social structures and dynamics, organizational behavior, and management, military and defense systems, social unrest, political networks, interactions between human and natural systems, diffusion/circulation of knowledge, diffusion of innovation
• Socio-Ecological Systems
o Global environmental change, green growth, sustainability & resilience, and culture
• Organisms and populations
o Population biology, collective behavior of animals, ecosystems, ecology, ecological networks, microbiome, speciation, evolution
• Engineering systems and systems of systems
o bioengineering, modified and hybrid biological organisms, multi-agent systems, artificial life, artificial intelligence, robots, communication networks, Internet, traffic systems, distributed control, resilience, artificial resilient systems, complex systems engineering, biologically inspired engineering, synthetic biology
• Complexity in physics and chemistry
o quantum computing, quantum synchronization, quantum chaos, random matrix theory)

GENERAL CHAIRS
Cyrille Bertelle LITIS, Normastic, Le Havre
Roberto Interdonato CIRAD, UMR TETIS, Montpellier

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

9ème École d’Hiver é-EGC “Gestion et traitement intelligent des écosystèmes de graphes de connaissances”, Lyon, France

Date : 2023-05-31 => 2023-01-20
Lieu : Lyon, France

ECOLE D’HIVER – APPEL A PARTICIPATION

9ème Ecole d’Hiver é-EGC sur le thème « Gestion et traitement intelligent des écosystèmes de graphes de connaissances »

16 – 20 Janvier 2023, Lyon – France

https://egc2023.sciencesconf.org/resource/page/id/20

==============================================

La neuvième École d’Hiver é-EGC, sur le thème « Gestion et traitement intelligent des écosystèmes de graphes de connaissances », est un événement organisé par l’Association Extraction et Gestion de Connaissances (EGC, http://www.egc.asso.fr/).

Cet événement s’organise autour de deux activités principales :

• deux jours de formation : les 16 et 17 Janvier 2023

• participation à la conférence EGC2023 : du 18 au 20 janvier 2023

Cet appel est également disponible à l’adresse :

https://egc2023.sciencesconf.org/resource/page/id/20

THEME DE L’ECOLE : Gestion et traitement intelligent des écosystèmes de graphes de connaissances

Cette école s’intéresse à la gestion et au traitement intelligent des écosystèmes de graphes de connaissances disponibles aujourd’hui dans tous les domaines. Cette thématique englobe les approches d’intelligence artificielle symbolique, numérique ou hybride pour la construction, la publication, l’interrogation et l’exploitation de bases de graphes de connaissances annotés et interconnectés. Corollairement, elle touche aux problématiques de la qualité des données et graphes de connaissances produits, de la provenance des graphes de connaissances et de l’explication des résultats de leurs traitements.

OBJECTIFS DE L’ECOLE

Les deux jours de formation ont pour but principal d’offrir aux participants des tutoriaux d’initiation dans le domaine de recherche couvrant les thèmes de l’école mais également des tutoriaux plus spécifiques présentant les récentes avancées proposant des solutions et des techniques nouvelles pour les différentes problématiques ayant émergées dans ce domaine. Certains exposés seront associés à des séances plus pratiques afin de permettre aux participants de manipuler quelques outils.

La participation à la conférence permettra aux participants de prendre part à un des événements majeurs de la communauté francophone de l’extraction et la gestion de connaissances. Elle leur permettra d’assister à des présentations de nouvelles avancées et approches développées dans la communauté, ceci pouvant ainsi inspirer leur parcours scientifique futur.

Enfin, cette école souhaite offrir aux jeunes chercheurs (doctorants, post-doctorants et ingénieurs) et aux chercheurs confirmés du domaine la possibilité de se rencontrer et d’échanger des idées, ce qui devrait également permettre aux jeunes chercheurs d’enrichir leur réseau.

PROGRAMME DE L’ECOLE

Le programme sera finalisé et disponible sur le site de l’école dans les plus brefs délais ; voici la liste des intervenants :

Pierre-Antoine Champin (Univ. Lyon)

Catherine Faron (Univ. Côte d’Azur)

Clément Jonquet (Inrae)

Axel Ngonga (Univ. Paderborn, Allemagne)

Nathalie Pernelle (Univ. Sorbonne Paris Nord)

Hala Skaf (Univ. Nantes)

Raphaël Troncy (Eurecom)

PUBLIC CONCERNE

L’École d’Hiver é-EGC 2023 s’adresse particulièrement aux doctorants et étudiants, de manière générale, désirant approfondir leurs connaissances dans le domaine de l’exploration de données et de l’apprentissage.

COMITÉ SCIENTIFIQUE ET ORGANISATION

• Catherine Faron (I3S, Université Côte d’Azur)

• Arnaud Martin (IRISA, Université de Rennes 1)

• Cécile Favre (ERIC, ICOM)

• Sabine Loudcher (ERIC, ICOM)

• Claudia Marinica (LS2N, Université de Nantes)

DATES IMPORTANTES

• Date limite pré-inscriptions (CV à fournir) : 07/12/2022

• Inscription effective (École (formation + conférence EGC), sur le site de la conférence) : 15/12/2022

L’INSCRIPTION SE RÉALISE EN DEUX ÉTAPES

1/ Les participants doivent manifester leur intérêt, avant le 07/12/2022, pour participer à l’École en s’inscrivant avec ce formulaire :

https://forms.gle/zcMGiwRQyFb27vDs6

Pour que la pré-inscription soit prise en compte, elle doit être accompagnée d’un CV récent du participant.

2/ Après la confirmation de la pré-inscription par le comité d’organisation, et avant le 15/12/2022, les participants doivent s’inscrire via la page d’inscription de la conférence EGC 2023 (attention de bien choisir le tarif comprenant l’École).

Le nombre de participants est limité à 30 personnes. Le tarif de l’inscription sera affiché sur le site de la conférence EGC (https://egc2023.sciencesconf.org/) et il comprend :

– la participation à l’École d’Hiver (16 et 17 janvier) ;

– la participation à la conférence (18 au 20 janvier) ;

– les déjeuners et le repas de gala.

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Journée Apprentissage Automatique

Date : 2022-11-22
Lieu : Lien ZOOM , Université C.B. Lyon 1, LIRIS

Bonjour,

Nous avons le plaisir de vous inviter à la journée du projet européen
MACHINA :

https://machina.univ-lyon1.fr/journee/

Cette journée comprend des présentations sur les résultats de ce projet
dont l’objectif est d’offrir une formation professionnelle sous forme de
MOOC en Machine Learning.

Cette journée, organisée par l’Université Lyon 1 et le LIRIS, se tiendra
le 22 Novembre 2022 à 10h CET (par visio).

Pour des raisons organisationnelles, merci de bien vouloir vous inscrire
à l’adresse suivante :
https://docs.google.com/forms/d/e/1FAIpQLSf9vYlFiu4kfbB3T7SlyJDKe1LHOzPYNJDmlrJL0Fpz_0C0og/viewform

Bien Cordialement
Pr. Parisa Ghodous

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

[post-doc]Evaluating the propagation of belief functions inside neural networks: a pre-fusion architecture study

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : IRIMAS
Durée : 12 mois
Contact : thomas.josso-laurain@uha.fr
Date limite de publication : 2023-06-01

Contexte :
The ANR EviDeep project focuses on autonomous vehicles, particularly the perception step whose goal is to locate the vehicle and identify potential obstacles that are surrounding the vehicle. The environment perception can be divided into two tasks: detecting the areas of interest and analysing the perceived scene. The target application of the project mainly concerns the analysis and the interpretation of the scene.
With the increase of the number of sensors of different nature (RGB camera, light-field camera, 2D and 3D lidar, radar, etc.), a fusion of these heterogeneous information needs to be done in order to take advantage of each source. This fusion can be realized by several approaches: probabilistic fusion [1] or evidential fusion [2].
With the rising of high computational power and artificial intelligence, various data-based approaches have been developed to perform perception tasks [3], often based on a mono source (RGB camera). On one side, some works integrate the evidential theory inside mono-sensor networks [4] or multi-sensors networks. On the other side, other works directly fuse the information inside the neural network according to different architectures [5].
The proposed architectures are respectively pre-fusion, cross-fusion and post-fusion, depending on where the fusion stage is located in the neural network pipeline. If the prototypes-based approach allows evidential post-fusion [6], the pre-fusion architecture is still a strong scientific lock since the propagation of belief functions inside a neural network (MLP, CNN, Transformers and so on) is not mastered. The post-doctoral researcher will work on this topic to tackle the pre-fusion problem.

Sujet :
The hired post-doctoral fellow will focus on the pre-fusion case, particularly how to integrate an evidential fusion before feeding a neural network, by following the steps:
1 – State of the art of architectures of pre-fusion, cross-fusion and post-fusion, particularly those involving evidential theory and belief functions
2 – Study on the propagation of belief functions and particularly how the ignorance is considered in each layer of different kinds of neural networks (MLP, CNN, Vision Transformers, etc.)
3 – Implementation of the identified pre-fusion scheme within a deep learning architecture
4 – Simulation results and comparison between the different proposed architecture (pre/cross/post fusion) – the hypothesis to be verified is that pre-fusion is a) feasible and b) more performant than cross/post-fusion (regarding evaluation metrics such as F1 score and error rate)
5 – Quantitative comparison of several fusion operators (DS, PCR6/6+, etc.) including performance metrics but also computational cost
(6) – Real-time implementation to the lab prototype may be investigated if desired
The obtained results by the post-doctoral researcher will be published in international conferences and impacted journals (Information Fusion, Neurocomputing…). In addition, the post-doctoral researcher will be part of the MIAM team in the ASI dept of the IRIMAS lab. He/she may also propose research projects to the engineering students of the ENSISA college of engineering.

Profil du candidat :
The candidate must have a PhD degree in Computer Science/Automatic Control with application of neural networks or data fusion.

Formation et compétences requises :
The candidate should demonstrate experience in autonomous driving/perception/data fusion/machine learning/deep learning. Good programming skills are expected. Knowledge about evidential theory and its applications will be benefit.

Adresse d’emploi :
Work conditions:
The whole activity will take place at IRIMAS, in the ASI dept, more precisely in the MIAM team at UHA, Mulhouse, France. The access to autonomous vehicle prototype will be given during the contract. This contract is founded by the ANR JCJC EviDeep.

Contract: Post-doctoral contract
Date of start: 01/03/2023
Duration: 12 months
Team: Dr. Thomas Josso-Laurain, Dr. Maxime Devanne, Pr. Jean-Philippe Lauffenburger
Application: If interested, please send CV + cover letter + publications list (top 5) to thomas.josso-laurain@uha.fr before 01/01/23. The application interviews will be conducted during the month of January to ensure a start for the beginning of March 2023.

Document attaché : 202211171436_Post-doc subject.pdf