Archives

Appel à contribution atelier “Evolution des SI : vers des SI Pervasifs ? De l’intelligence à la résilience”

Date : 2022-05-31
Lieu : Conférence Inforsid, Dijon, France

Atelier
” Evolution des SI : vers des SI Pervasifs ? ”
3ème édition
De l’intelligence à la résilience

https://evolution-si.sciencesconf.org

Les Systèmes d’Informations sont constamment en train d’évoluer, notamment par l’intégration de nouvelles technologies telles que le comme le Machine Learning, l’IoT, les microservices, le Cloud Computing et le Fog/Edge Computing, mais également par des nouveaux usages et nouvelles pratiques. Ces systèmes deviennent ainsi ouverts sur le monde, n’étant plus limités aux seules frontières de l’organisation. Ils sont disponibles partout, ils accompagnent leurs
collaborateurs et clients où qu’ils soient et à tout moment, s’intègrent dans l’environnement physique, interagissent avec d’autres systèmes. On peut désormais parler de SI devenus pervasifs.

Les précédentes éditions de cet atelier ont permis de mettre en évidence l’omniprésence de la technologie dans les environnements et son effet sur les processus et les activités métiers. Les articles présentés ont souligné des nombreux défis comme le défi écologique, ou encore la gestion des services et des infrastructures, pour ne citer qu’eux.

On peut désormais s’interroger sur ” l’intelligence ” qu’on pourrait apporter à cette nouvelle génération de SI, les SI pervasifs. Pourrons-nous un jour parler d’un SI ” smart ” ou ” intelligent ” ?
On peut également s’interroger sur le rôle de ces systèmes face aux nombreuses situations de crise traversées par notre société. Les nouvelles technologies peuvent-elles contribuer à rendre ces systèmes plus résilients ? Peuvent-ils ainsi devenir un jour un levier pour la résilience des organisations de manière générale ? Toutes ces questions et bien d’autres restent ouvertes.

L’objectif de cet atelier est ainsi de mieux comprendre les défis et les opportunités soulevés par cette nouvelle génération de SI que nous dessinons aujourd’hui, et comment les nouvelles technologies et tendances dans l’informatique (et ailleurs) peuvent contribuer à cette évolution.

Cet atelier se veut un lieu d’échange, suscitant de discussions autour de cette nouvelle génération de SI et des tendances qui permettent aujourd’hui son apparition. Nous invitons à des contributions sur différents aspects allant de l’architecture à l’infrastructure, de la modélisation à l’expérimentation, de la théorie à la pratique sur différents thèmes (GreenIT, Machine Learning, IoT, Cloud et Fog/Edge Computing, etc.). A travers les discussions, nous souhaitons susciter une certaine synergie entre les différentes communautés appelées à être acteur de cette évolution.

Nous appelons à des contributions sur la forme d’articles entre 5 et 8 pages (format Hermès-Lavoisier) proposant des contributions (consolidées ou jeunes initiatives), des retours d’expérience, ou de cas d’études autour de la thématique.

Thèmes de l’atelier :

Nous appelons à des contributions sur la forme d’articles proposant des contributions (consolidées ou jeunes initiatives), des retours d’expérience ou de cas d’études autour des thèmes suivants
(liste non exhaustive) :

– SI & Informatique Pervasive
– SI & Green IT
– SI & Machine Learning
– SI & Resilience
– SI & IoT
– SI & Cloud / Edge / Fog Computing
– SI & Big Data

Consignes aux auteurs :

Les articles doivent être soumis en format PDF sur le site
https://easychair.org/conferences/?conf=evolsi2022. Ils doivent contenir entre 5 et 8 pages et devront se conformer au modèle Hermès-Lavoisier utilisé par la conférence InforSID 2022 (feuille
de style Word et LaTeX disponibles sur https://inforsid2022.sciencesconf.org/resource/page/id/1).

Dates importantes :
– date limite de soumission : 15 avril 2022
– notification d’acceptation : 28 avril 2022
– soumission de la version finale : 13 mai 2022

Comité de Programme
* Adel Noureddine, LIUPPA, E2S, Université de Pau et des Pays de l’Adour
* Amel Bouzeghoub, Télécom SudParis
* Chantal Taconet, Télécom SudParis
* Fabien Mieyeville, Polytech Lyon – Université Claude Bernard Lyon 1
* Frank Ravat, IRIT / Université Toulouse I Capitole
* Luiz Angelo Steffenel, Université de Reims Champagne-Ardenne
* Manuele Kirsch Pinheiro, Université Paris 1 Panthéon Sorbonne
* Oumaya Baala Canalda, Université de Technologie de Belfort Montbéliard
* Phillippe Roose, LIUPPA, E2S, Université de Pau et des Pays de l’Adour
* Rebecca Deneckere, Université Paris 1 Panthéon Sorbonne
* Sophie Chabridon, Télécom SudParis
* Thierry Antoine-Santoni, Université di Corsica Pasquale Paoli

Animateurs
* Manuele Kirsch Pinheiro, CRI, Université Paris 1 Panthéon Sorbonne
* Philippe Roose, LIUPPA, E2S, Université de Pau et des Pays de l’Adour
* Luiz Angelo Steffenel, LICIIS, Université de Reims Champagne-Ardenne

Lien direct

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

Appel à candidature pour une thèse en deep learning.

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

Laboratoire/Entreprise : Institut de Mathématiques de Marseille et IRPHE
Durée : 36 mois
Contact : badihghattas@gmail.com
Date limite de publication : 2022-05-27

Contexte :
Ce sujet de thèse est porté par un consortium pluridisciplinaire composé de chercheurs spécialistes en statistiques, mécanique des fluides et biomécanique ainsi qu’imagerie médicale. L’équipe de statistiques de l’Institut de Mathématiques de Marseille (UMR7373) et l’équipe de biomécanique de l’Institut de Recherche sur les Phénomènes Hors Equilibre (UMR7342, Marseille) en collaboration avec le service d’imagerie médicale de l’hôpital de la Timone souhaitent développer un outil de diagnostic clinique capable de prédire précocement l’évolution de pathologies de l’aorte thoracique.
L’équipe de biomécanique d’IRPHE réalise des modélisations numériques complexes de certaines de ces pathologies grâce à des données provenant d’imageries médicales -CT scan pour les géométries et IRM2D pour les conditions aux limites-, l’objectif est de mettre en œuvre des modèles 3D patient-spécifique tenant compte des interactions fluide-structure pour différents types d’évolution -favorable et défavorable- ainsi que pour plusieurs temps post opératoires. Ceci permet d’associer des grandeurs physiques liées aux dynamiques de l’écoulement et des structures à certaines évolutions cliniques défavorables ([1]) et, par la suite, de prédire précocement certains échecs thérapeutiques. Toutefois, le temps de calcul associé à ces modélisations complexes constitue un obstacle à leur utilisation en pratique clinique.

Sujet :
Sujet : Substitution de modèles numériques de mécanique des fluides par des modèles d’apprentissage profond. Applications aux dissections aortiques

L’objectif principal de cette thèse est donc de mettre en œuvre des techniques d’apprentissage profond pour substituer à ces modèles numériques afin de prédire précocement l’évolution de pathologies de l’aorte thoracique.

Profil du candidat :
Le(la) candidat(e) devra avoir des connaissances académiques dans les champs disciplinaires relatifs au sujet: Deep learning en priorité et modélisations numériques. Il(elle) devra avoir une appétence avérée pour l’interdisciplinarité. Une expérience en programmation python est indispensable, en particulier, tensorflow, keras, pandas et numpy.

Formation et compétences requises :
Etudiant(e) issu(e) d’un Master de mathématiques/informatiques, ou d’école d’ingénieur filière statistique et/ou informatique.

Adresse d’emploi :
Aix Marseille université, campus de Luminy, 13009 Marseille.

Document attaché : 202203302221_These_Ghattas-Deplano – Fr.pdf

Découverte de connaissances stratégiques dans le Web des données

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

Laboratoire/Entreprise : LIFAT, équipe BDTLN, Université de Tours
Durée : 3 ans
Contact : arnaud.soulet@univ-tours.fr
Date limite de publication : 2022-05-06

Contexte :
Laboratoire : LIFAT, équipe BdTln, Université de Tours
Lieu : antenne universitaire de Blois
Durée : 3 ans
Financement : Région Centre Val de Loire

Sujet :
Le Web des données est déjà largement utilisé en recherche d’information. Ses graphes de connaissances devraient aussi être une source de connaissances stratégiques pour soutenir les travailleurs du savoir comme les journalistes ou les spécialistes en sciences humaines et sociales. En particulier, un enjeu majeur pour les aider est d’identifier les indicateurs socio-économiques visant à quantifier des phénomènes et leur impact au sein d’un domaine. Malheureusement, la diversité des entités et de leurs liens dans les graphes du Web des données rend complexe le développement de méthodes automatisées et transdisciplinaires pour identifier ces indicateurs, qui eux doivent être spécifiques à chaque discipline. En plus d’être hétérogènes, les graphes sont nombreux, volumineux et distribués, soulevant l’enjeu d’algorithmes parcimonieux pour pouvoir passer à l’échelle. L’objectif de ce travail de thèse est de proposer des modèles transdisciplinaires et de les mettre en œuvre dans les graphes de connaissances du Web afin d’y découvrir automatiquement des indicateurs interprétables au sein de leur domaine socio-économique. Les principales contributions attendues sont : la proposition de modèles d’analyse de données sensibles aux ontologies, la proposition d’algorithmes de génération d’indicateurs socio-économiques et le développement d’un prototype en ligne suivant les principes FAIR.

Profil du candidat :
Master en informatique, initiation à la recherche (enseignement suivi, ou projet, ou stage), motivation pour le web sémantique et l’extraction de connaissances

Formation et compétences requises :
Master en informatique, initiation à la recherche (enseignement suivi, ou projet, ou stage), motivation pour le web sémantique et l’extraction de connaissances

Adresse d’emploi :
Antenne de l’université de Tours
3 place Jean Jaurès
41000 BLOIS

Document attaché : 202203301408_Sujet thèse LIFAT – Découverte de connaissances stratégiques interprétables dans le Web des données 2022 03 16.pdf

PostDoc en Deep Learning et Genomique

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

Laboratoire/Entreprise : Aix Marseille University / Centuri
Durée : 12 mois
Contact : badihghattas@gmail.com
Date limite de publication : 2022-05-06

Contexte :
Regulation of gene transcription is accomplished by proximal (promoters) and distal (enhancers) regulatory elements. However, a strict dichotomy model is now challenged and a major question in the field is to define the genetic determinants of the different regulatory activities. The Spicuglia team has previously identified Epromoters as cis regulatory elements with both enhancer and promoter (E/P) activities and is currently using high-throughput approaches to evaluate both activities in thousands of wild-type and mutant DNA sequences. In this project, we will build a sequence-based deep learning model of Epromoters to unravel the genetic determinants of enhancer vs. promoter activities. The model will be challenged and refined in back-and-forth exchanges between model predictions, experimental validation and synthetic generation of Epromoters.

Sujet :
Combined deep learning and synthetic-based approaches to unravel the genetic determinants of enhancer versus promoter activity of Epromoters

Profil du candidat :
The postdoc candidate should have a PhD in bioinformatics or related fields, with a solid background in computer science, statistics and/or mathematics. The candidate should be interested in “omics” data analyses, genomics and gene regulation. Proven previous experience in manipulating NGS data and/or deep learning and in collaborations with experimental biologists is an advantage.

Formation et compétences requises :
Machine learning, Deep learning, bioinformatics.

Adresse d’emploi :
Aix Marseille University, campus de Luminy.

Document attaché : 202203301342_Post-doc CENTURI_offer.pdf

Invitation au workshop SERENADE 2022, Brest 27-30 juin

Date : 2022-06-27 => 2022-06-30
Lieu : ENSTA Bretagne, Brest, France

Le workshop SERENADE 2022 (Surveillance, Etude et Reconnaissance de l’Environnement mariN par Acoustique DiscrètE http://serenade.ensta-bretagne.fr) se tiendra du 27 au 30 juin 2022 à Brest à l’ENSTA Bretagne en présentiel. Avec une périodicité de deux ans, il structure la communauté française du domaine et se veut avant tout lieu d’échanges et de réflexions. Les thématiques traitées recouvrent les recherches et études liées au traitement et à l’interprétation des signaux actifs, discrets ou passifs en particulier en réponse à des demandes environnementales, civiles ou de défense.

Cette sixième édition mettra l’accent sur l’intelligence artificielle (IA). Un tutorial sur l‘IA est organisé en début de semaine, une inscription spécifique pour le tutorial est obligatoire. Une table ronde sera également organisée durant le workshop pour discuter de l’IA et de ses applications en acoustique marine.

En 2022, les organisateurs de l’atelier SERENADE et le COLLECTIF NATIONAL SUR LE BRUIT SOUS-MARIN ont décidé de faire converger leurs énergies et de s’associer en vue d’organiser le 3ème séminaire du collectif national sur le bruit sous-marin lors de la dernière journée de la 6ème édition de l’atelier SERENADE c’est à dire le 30 juin 2022.

L’objectif de ce workshop est de réunir la communauté pendant quatre jours pour susciter rencontres et discussions.

Nous serions très heureux de votre participation à cet événement où nous vous proposons de présenter vos travaux (oral ou poster) à l’ensemble de la communauté.

L’inscription est gratuite mais OBLIGATOIRE avant le 24 avril 2022.

https://forms.gle/6yFykAWtEw27UPcR6

Pour information, un programme détaillé sera mis en ligne fin mai 2022 sur le site de SERENADE : http://serenade.ensta-bretagne.fr.

Le comité d’Organisation.

Julien Bonnel 1, Angélique Dremeau 2, Bazile Kinda 3, Florent Le Courtois 3, Julie Lossent 4, Jérôme Mars 5, Gaultier Real 6, Flore Samaran 2 et Charles Vanwynsberghe 7

1- Woods Hole Oceanographic Institution, 2-ENSTA Bretagne / Lab-STICC, 3-Service Hydrographique et Océanographique de la Marine, 4-Institut de recherche CHORUS & SENSEAfr, 5-GIPSA-Lab, 6-DGA/TN, 7-ISEN Yncréa Ouest

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

Post-doc position in Computer Vision and NLP for document analysis

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

Laboratoire/Entreprise : L3i / Itesoft
Durée : 24 mois
Contact : mickael.coustaty@univ-lr.fr
Date limite de publication : 2022-04-15

Contexte :
The work carried out by the candidate will be part of a joint project between the L3i laboratory and the ITESOFT company. This project is funded by the “Plan de Relance” from France and European Union. The goal of this project is to develop some new technologies based on artificial intelligence that are capable of automatically summarising the content of unknown business documents.
The post-doc fellow will be located in the premises of the Laboratory L3i, in La Rochelle, France.
The L3i laboratory, created in 1993 at La Rochelle University brings together researchers in Computer Science and Signal Processing from different faculties. The L3i brings together the skills of its researchers in order to address the issues of digital content enhancement from a systemic perspective. This relies, in particular, on a cross exploitation of interactive applications, content indexing and knowledge representation. The laboratory is structured around three scientific themes (Knowledge Engineering, Content Analysis and Management, Interactivity and Dynamic Systems), centred on the common goal of interactive and intelligent management of digital content.
Itesoft proposes some disruptive technologies in order to increase their client performances and to maximize their competitive advantage through digital automation, while responding to strong regulatory and compliance changes. To this end, Itesoft offers the most efficient automation, document processing and risk detection solutions on the market.

Sujet :
The work of the post-doc fellow will fall within the framework of the area “Document summarization”. The aim is to design an innovative approaches for document block segmentation and blocks’ content summarization in order to deal with unknown documents (which were not available during the training step).
There are many scientific bottlenecks arising from this applicative context, mainly in the field of machine learning and pattern recognition. Document content can have many various layouts and is generally seen as a textual content, or as a purely visual content. We seek to propose some multimodal / complex approaches mixing spatial organization, semantic content and visual representation.
This post-doctoral work will be based on a detailed state of the art of existing approaches, to identify their limits and propose innovative approaches that will help to overcome the bottlenecks mentioned above. To solve these problems, we plan to propose new deep learning-based techniques, with a special focus on designing an architecture which takes advantage of modalities (image, text, spatial organization) in the most effective way possible, in order to enhance the accuracy on classes which are visually similar. This is linked to multi-modality [1, 2] while being able to deal with multi-languages documents.

Profil du candidat :
The candidate, who holds a Ph.D. in the fields of computer science, computer engineering, signal processing, natural language processing or applied mathematics, must have a significant research experience in at least two of the following areas:
• Machine learning
• Pattern recognition
• Computer Vision OR image processing OR Automatic Language Processing (knowledge and/or experience in both domains would be considered a plus for the applicant)

Formation et compétences requises :
The candidate’s skills will include:
• Mastering one or more programming languages (Java, Python, C/C++…)
• Very good teamwork skills, having knowledge or experience of Agile methods would be a plus (the work will be carried out both in conjunction with researchers from the L3i laboratory and the R&D department of the Itesoft company)
• Good scientific writing skills, and fluency in writing and speaking English

Adresse d’emploi :
L3i, La Rochelle, France

Document attaché : 202203300955_ENversion_PostDoc2022_AutomaticSummaryOfDocument_LaRochelle_FRANCE.pdf

Abductive Reasoning with Minimal Sensing in a Home Environment

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

Laboratoire/Entreprise : LIMOS / Mines Saint-Étienne
Durée : 3 ans
Contact : victor.charpenay@emse.fr
Date limite de publication : 2022-04-30

Contexte :
The thesis is equally funding by ANR (Agence Nationale de la Recherche) and elm.leblanc, one of the leading home automation system vendors. One of the main technical challenges in modern home automation is to using Artificial Intelligence (AI) to minimize the energy consumption of technical systems without loss of comfort. For instance, the production of hot water can be optimized by dynamically adapting the temperature of water and the time of use of the boiler based on activities monitored in the home. The general objective of the thesis is to monitor human activities without ubiquitous sensing capabilities.

Sujet :
The domain of research of the thesis is knowledge representation and reasoning, a subfield of AI. Its objective is to evaluate abductive reasoning methods over sensor measurements performed in a home environment. Abductive reasoning in this context consists in finding logically sound hypotheses (e.g. ‘the dishwasher is on’) that explain observed sensor measurements (‘electric consumption has risen in the last two hours’) according to a model of human activity in a home.

Profil du candidat :
Prior knowledge in AI is expected, especially in computational logics, logic programming and/or Semantic Web technologies. Basic understanding of statistical inference methods and linear programming is also considered important.

Formation et compétences requises :
Holder of a Master’s degree in computer science or data science. Technical skills required for the thesis include: multi-paradigm programming (Java, Lisp, R, Prolog, …), data modeling (UML, OWL, E/R, BPMN, …), Linux system administration (Bash, SSH, Docker, …).

Adresse d’emploi :
Saint-Étienne

Document attaché : 202203300752_phd-offer.pdf

Résilience & IA

Date : 2022-06-29
Lieu : PFIA 2022, Saint Etienne

Cette journée est organisée avec le soutien de la Région Auvergne Rhone-Alpes et le Collège Industriel de l’AFIA dans le cadre de la Plate-Forme Intelligence Artificielle (PFIA) qui aura lieu du 27 juin au 1 juillet 2022 à Saint-Étienne.

La journée Résilience et IA a pour objectif de faire un point sur les travaux menés sur la gestion de crise et la sortie de crise, communément appelé résilience, avec l’appui du traitement des données, de l’information et du Big Data. Outre le constat souvent appuyé sur des chiffres d’une crise ou d’un dysfonctionnement, les sorties de crise et de situations difficiles imposent la collecte et un traitement efficace des données pour une meilleure prise de décision traduite par des politiques de développement, de mise en place des outils, des réponses précises. Des techniques d’Intelligence Artificielle peuvent ou pourraient aider à la résilience. Il serait aussi intéressant de voir pour des situations précises quelles sont données massives ou non qui sont à disposition et des désidératas en terme des connaissances à extraire. C’est une première journée de ce type en France.

Ainsi, les thématiques de la journée sont les suivantes (liste non exhaustive) :

Exploration des données utiles à la résilience (open data, serveurs de données, aspects temps réel)
Représentation des connaissances liées aux données géographiques et des territoires (terminologies et ontologies)
Visualisation de l’information pour mieux repérer l’anormalité
IA et logistique
IA et crises environnementales
Aide à la décision
Recherche d’information dans des corpus textuels
Systèmes informatisés de surveillance environnementale
Algorithmes d’apprentissage et des méthodes fondées sur les connaissances.
La journée s’adresse aux jeunes chercheurs, aux chercheurs confirmés, aux industriels. Elle est ouverte à la présentation de travaux à différents stades d’avancement.

Soumissions
Les articles soumis devront comporter entre 4 et 12 pages, selon la nature des travaux présentés. Les langues autorisées pour les articles sont le français et l’anglais, mais les présentations devront se faire en français. Les soumissions se feront ici :
https://easychair.org/conferences/?conf=resia2022.

Chaque article sera évalué par au moins deux relecteurs issus du comité de programme de la journée. Les articles devront respecter le style PFIA : https://afia.asso.fr/pfia-modeles-et-feuilles-de-style/.

Dates importantes
Date limite de soumission : 5 mai 2022
Notification aux auteurs : 13 mai 2022
Date limite de réception des versions définitives : 8 juin 2022
Journée Résilience & IA : 29 juin 2022

Lien direct

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

École thématique CNRS BigSportsData : Analyse de données sportives massives

Date : 2022-06-27 => 2022-06-30
Lieu : Université de Caen Normandie

École Thématique BigSportData « Analyse de données sportives massives »

Caen du 27 au 30 juin 2022
https://big-sports-data.sciencesconf.org
Date limite d’inscription : 15 mai 2022

Public :

  • Chercheur.e en informatique/mathématique/traitement du signal
  • Chercheur.e en science de mouvement/sport, professionnel dans le sport

Prérequis

Des connaissances en analyse de données automatisée (fouille de données,
apprentissage automatique) faciliteront la compréhension des méthodes
introduites, mais ne sont pas indispensables. Chaque session thématique
introduira les concepts nécessaires à la compréhension de la suite. Une
bonne culture sportive est indispensable.

Objectifs

  • Donner aux analystes une meilleure idée des données disponibles et des spécificités sportives à intégrer.
  • Susciter chez les propriétaires de données des opportunités de
    valorisation de leur collecte et préciser les exigences en terme de
    détail et volume.
  • Donner aux utilisateurs de données une meilleure idée des
    outils/processus d’analyse disponibles afin de donner de l’inspiration
    par rapport aux problématiques possibles.

Programme

Lundi 27 juin

14h-17h Introduction – applications de l’analyse de données sportives

Éventail d’applications en terme d’amélioration de la performance, suivi
médical, prédiction du résultat, aide aux paris, amélioration de
l’expérience du fan, analyse de réseau sociaux, estimation de la valeur
du joueur.
Intervenants : Boris HELLEU, Albrecht ZIMMERMANN, Loïc RAVENEL.

Mardi 28 juin

9h-12h Dispositifs d’acquisition

Vidéo, UWB (GPS d’intérieur), centrale inertielle, lidar, réalité
virtuelle, Trackman (golf), tablette graphique, Polhemus, etc.
Intervenants : Éric PIGEON, Maroua MALLEK

Travaux pratiques : Découverte de l’installation de géolocalisation
d’intérieur au gymnase de Vikings de Caen – François RIOULT

14h-17h Données de sports individuels – aspects micro

Des analyses de comportements individuels à leur formalisation sous
l’angle des systèmes complexes : apprentissage et contrôle moteur,
biomécanique, approches psychologiques, coordination visio-motrice.
Application à l’escalade, la natation, le tennis.
Intervenant.e-s: Ludovic SEIFERT, Nicolas BENGUIGUI

Mercredi 29 juin

9h-12h Sports collectifs

Spécificité du sport collectif en terme d’interaction spatiales :
analyse de groupes de trajectoires, occupation de l’espace, stratégie.
Intervenantes : Paola ZUCCOLOTTO, Marica MANISERA

Travaux pratiques : Analyse de trajectoires pour la découverte de
tactiques en handball/basket
Alexis MORTELIER et Quentin BOURGEAIS

14h-17h Travaux pratiques – Golf

Expérimentation de l’outil Trackman au Golf de Caen.

Dîner au Golf de Caen

Jeudi 30 juin

9h-12h Outils informatiques pour l’analyse de données sportives

Panorama des méthodes informatiques spécifiques des données sportives,
en terme de temporalité et de spatialité : séquences d’événements,
trajectoires, graphes dynamiques, clustering spatial, visualisation.
Intervenants : Jesse DAVIS (analyse de flux d’événement), Ulf BREFELD
(analyse de mouvement).

Tarifs

Comprend le logement avec petit déjeuner, déjeuner, dîner de gala.

  • Gratuit pour les agents CNRS
  • 300€ pour les doctorants
  • 600€ pour les académiques
  • 900€ pour les autres

Lien direct

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

SEGMENTATION D’IMAGES MÉDICALES PAR APPRENTISSAGE SUR DONNÉES 3D NON STRUCTURÉES

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

Laboratoire/Entreprise : CREATIS
Durée : 3 ans
Contact : sebastien.valette@creatis.insa-lyon.fr
Date limite de publication : 2022-04-30

Contexte :
Segmenter des images médicales est un problème encore ouvert, avec de nombreuses applications possibles pour la médecine personnalisée et l’analyse de cohortes. La segmentation d’images est un problème bien étudié pour les images naturelles 2D, les meilleurs résultats ayant été obtenus ces dernières années grâce aux réseaux de neurones convolutifs. Cependant, la segmentation d’images médicales est encore un problème ouvert. Des approches de segmentation par réseaux de neurones ont déjà été proposées, mais elles sont difficilement applicables pour des images 3D voxeliques de grande taille.

Le but de cette thèse, et son originalité principale, est de s’affranchir de l’échantillonnage régulier des images 3D voxeliques, pour proposer une approche de segmentation indépendante de l’échantillonnage des images et possiblement de leur modalité d’acquisition. Il pourra aussi être envisagé l’introduction de contraintes manuelles ou de corrections par l’utilisateur pour guider la segmentation dans les cas les plus difficiles.

Sujet :
Descriptif complet ici: https://www.creatis.insa-lyon.fr/site7/fr/node/47192

Les images médicales 3D, acquises par IRM ou scanner X, sont stockées sous forme de grille de voxels, dont les dimensions peuvent atteindre ou dépasser 512x512x512 pour les images corps entier. L’utilisation de réseaux de neurones convolutifs pour segmenter de telles images est rendue difficile par une empreinte mémoire très importante et des temps d’exécutions très longs.

Pour contourner ce problème, nous proposons d’éviter l’utilisation des réseaux de neurones définis sur la grille originale de l’image 3D, et projetons d’explorer des approches d’apprentissage sur données 3D non structurées. Ce type de données apporte cependant une autre difficulté : les données non structurées 3D, telles que les nuages de points, ne peuvent pas être traitées par les réseaux de neurones convolutifs classiques, et nécessitent des réseaux de neurones spécifiques. Un autre problème est le nombre relativement faible d’images de référence segmentées disponibles, ce qui rend l’apprentissage plus difficile.
Nous proposons pour cette thèse de privilégier l’utilisation de nuages de points pour l’apprentissage, à travers notamment l’étude et l’extension des techniques récentes.

Un jeu de données d’images médicales 3D comportant plusieurs modalités accompagnées des références de segmentation est disponible pour la conduite des expériences et l’évaluation des algorithmes dans cette étude.

Profil du candidat :
Nous recherchons un.e collabora.teur.trice motivé.e, capable de faire preuve d’esprit critique, de prendre des initiatives et de travailler aussi bien de manière autonome que dans un cadre collectif.

Formation et compétences requises :
Le.la candidat.e doit être titulaire d’un master en informatique, traitement d’images, apprentissage automatique ou dans un domaine proche, doit avoir des acquis solides en mathématiques appliquées, en traitement d’images et en informatique, ainsi que de bonnes compétences en programmation. Une connaissance pratique des méthodes d’apprentissage profond est nécessaire. Les connaissances en l’imagerie médicale sont un plus.

Adresse d’emploi :
CREATIS, Lyon

Document attaché : 202203291006_Thèse Segmentation d’images médicales par apprentissage sur données 3D non structurées.pdf