Archives

Workshop AI for Biological Imaging

Date : 2024-01-08 => 2024-01-09
Lieu : Sorbonne University, Paris
4, place Jussieu 75005
Bâtiment Esclangon

Dear all,

We are very happy to announce the:

7th Cross-disciplinary Genomics Meeting: “AI for Biological Imaging”
which will take place at Sorbonne University, Paris, January 8-9 2024.

Keynote speakers:
Haitham Shaban – University of Geneva, Lausanne, Switzerland
Christophe Zimmer – Institut Pasteur, Paris, France
Ulrike Endesfelder – Bonn University, Bonn, Germany
G. V. Shivashankar – ETH, Zürich, Switzerland
Olivier Colliot – Sorbonne Université, Paris, France
Thomas Walter – Institut Curie, Paris, France
Isabelle Bloch – Sorbonne Université, Paris, France
Matthieu Cord – Sorbonne Université, Paris, France
Susan Cox – King’s College London, London, UK
Maxime Deforet – Sorbonne Université, Paris, France

The registration is free but mandatory.

Please visit our website to discover our program and to register: https://ai4bi.sciencesconf.org

Looking forward to meeting you there,
Judith Miné-Hattab and Nataliya Sokolovska

Lien direct

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

Self-Supervised Anomaly Detection in complex-valued SAR imaging

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

Laboratoire/Entreprise : ONERA / SONDRA, CentraleSupelec
Durée : 36 mois
Contact : chengfang.ren@centralesupelec.fr
Date limite de publication : 2023-12-07

Contexte :
Deep anomaly detection methods leverage neural networks to automatically extract crucial data features, mapping high-dimensional data into a more manageable, lower-dimensional latent space, thereby significantly enhancing anomaly detection performance. One standard method for anomaly detection is to utilize Autoencoders (AE) for data encoding and reconstruction, detecting anomalies based on reconstruction errors [S. Sinha, 20, S. Mabu, 21]. Due to the presence of speckle noise in SAR images, [M. Muzeau, 2022] proposed to denoise SAR images using the MERLIN algorithm [E. Dalsasso, 2021b] based on the noise2noise principle [J. Lehtinen, 18, E. Dalsasso, 21a]. This pre-processing step leads to better compression in the latent space, subsequently improving the detection performance. Further extension in [M. Muzeau, 23] proposed to guide the Adversarial AE (AAE) in the training process by filtering anomalies using an RX detector [I. S. Reed, 90].
On the other hand, self-supervised learning leverages pretext tasks to extract supervised information from unsupervised data, thereby learning valuable feature representations for downstream tasks such as classification, object detection, and segmentation [M. Caron, 21]. Self-supervised anomaly detection methods acquire data representations by creating supervised pretext tasks. The key to constructing these pretext tasks is to guide the model in learning a specialized representation suitable for anomaly detection, distinct from the general representation obtained through unsupervised learning.

Sujet :
This Ph.D. aims to investigate the above-mentioned methods for SAR anomaly detection, exploiting SAR diversities: polarimetric and interferometric channels [Pottier, 09], multi-bands, and multi-looks representation [A. Mian, 19]. Particular attention is dedicated to the phase information of the complex-valued SAR images, which is crucial to assessing the spectral (range-azimuth) bandwidth and keeping the coherency in polarimetric and interferometric channels. The Ph.D. student will rely on the previously developed open-source library (https://github.com/NEGU93) developed in [Barrachina, 19] for complex-valued radar data and based on Tensorflow although recent developments of the PyTorch framework now allow for processing complex-valued tensors with differentiable computational graphs. Using this library, it is possible to address and analyze any recent Machine Learning components like Autoencoders, Transformers, etc., through challenging theoretical methodologies (SAR denoising, self-supervised learning, characterization of latent spaces, etc.).

References:

• [S. Sinha, 20] S. Sinha et al., “Variational autoencoder anomaly detection of avalanche deposits in satellite SAR imagery,” in Proc. 10th Int. Conf. Climate Inform., 2020, pp. 113–119.
• [S. Mabu, 21] S. Mabu, S. Hirata, and T. Kuremoto, “Anomaly detection
using convolutional adversarial autoencoder and one-class SVM for landslide area detection from synthetic aperture radar images,” J. Robot., Netw. Artif. Life, vol. 8, no. 2, pp. 139–144, 2021.
• [M. Muzeau, 22] M. Muzeau, C. Ren, S. Angelliaume, M. Datcu and J. –
P. Ovarlez, “Self-Supervised Learning Based Anomaly Detection in Synthetic Aperture Radar Imaging,” in IEEE Open Journal of Signal Processing, vol. 3, pp. 440-449, 2022.
• [M. Muzeau, 23] M. Muzeau, C. Ren, S. Angelliaume, M. Datcu and J. . -P.
Ovarlez, “Self-Supervised SAR Anomaly Detection Guided with RX Detec-
tor,” IGARSS 2023 – 2023 IEEE International Geoscience and Remote Sensing Symposium, Pasadena, CA, USA, 2023, pp. 1918-1921.
• [J. Lehtinen, 18] J. Lehtinen et al., “Noise2Noise: Learning image restoration without clean data,” in Proc. 35th Int. Conf. Mach. Learn., 2018, vol. 80, pp. 2965–2974.
• [E. Dalsasso, 21a] E. Dalsasso, L. Denis, and F. Tupin, “SAR2SAR: A semi-
supervised despeckling algorithm for SAR images,” IEEE J. Sel. Topics Appl.
Earth Observ. Remote Sens., vol. 14, pp. 4321–4329, 2021.
• [E. Dalsasso, 21b] E. Dalsasso, L. Denis and F. Tupin, (2021), “As if by magic: self-supervised training of deep despeckling networks with MERLIN”, arXiv preprint arXiv:2110.13148.
• [I. S. Reed, 90] I. S. Reed and X. Yu, “Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution,” IEEE Transactions on acoustics, speech, and Signal Processing, vol. 38, no. 10, pp. 1760–1770, 1990.
• [M. Caron, 21] M. Caron, H. Touvron, I. Misra, H. Jégou, J. Mairal, P. Bo-
janowski, and A. Joulin. Emerging properties in self-supervised vision transformers, in Proceedings of the International Conference on Computer Vision (ICCV), 2021.
• [A. Mian, 19] A. Mian, J.-P. Ovarlez, A. M. Atto and G. Ginolhac, “Design of New Wavelet Packets Adapted to High-Resolution SAR Images With an Application to Target Detection”, Geoscience and Remote Sensing, IEEE
Transactions on, 57(6), pp.3919-3932, June 2019.
• [Pottier, 09] J.-S. Lee and E. Pottier, “Polarimetric Radar Imaging: From
Basics to Applications”, CRC Press, 2009.
• [Barrachina, 23] J.-A. Barrachina, C. Ren, G. Vieillard, C. Morisseau, and J.-
P. Ovarlez, “Theory and implementation of complex-valued neural networks,” arXiv preprint arXiv:2302.08286, Feb. 2023.

Profil du candidat :
Master in machine learning, applied mathematics, statistics, or signal processing. Good technical skills in programming. Eager to work in the radar and SAR imaging field.

Formation et compétences requises :
Master in machine learning, applied mathematics, statistics, or signal processing. Good technical skills in programming. Eager to work in the radar and SAR imaging field.

Adresse d’emploi :
The Ph.D. student will be hosted at the SONDRA laboratory (joint international laboratory between CentraleSupélec, ONERA, DSO National Laboratories, and National University of Singapore) in Paris-Saclay campus in Gif-sur-Yvette and at the MATS research unit (Advanced Methods in Signal Processing) of the Electromagnetism and Radar Department at ONERA’s Palaiseau site. Due to the international visibility of the lab, some overseas exchanges with Singapore could be easily considered. The SONDRA laboratory may finance any conference travel by the doctoral student.

Document attaché : 202312071051_Self_Supervised_Anomaly_Detection_in_complex_valued_SAR_imaging.pdf

Extraction d’Information sur les maladies transmises par vecteurs chez les plantes

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

Laboratoire/Entreprise : MaIAGE – INRAE et AgroParisTech Saclay
Durée : 6 mois
Contact : claire.nedellec@inrae.fr
Date limite de publication : 2023-12-07

Contexte :
Contacts : claire.nedellec@inrae.fr, vincent.guigue@agrosparistech.fr, nicolas.sauvion@inrae.fr

Les phytoplasmes sont des bactéries qui causent des maladies d’arbres fruitiers dont les impacts économiques sont très importants en Europe [Hadidi et al., 2011]. Ces bactéries pathogènes s’attaquent à différents types de plantes de la famille des rosacées (Prunus, pommiers et poiriers). Les bactéries peuvent être transmises d’une plante à l’autre par des insectes piqueurs suceurs, des psylles du genre Cacopsylla. Ces bactéries et leurs insectes vecteurs sont endémiques en Europe. Ils sont largement présents dans les vergers ainsi que dans les habitats sauvages, ce qui limite leur contrôle et, par conséquent l’endiguement des maladies dont ils sont responsables. Les psylles vecteurs sont aujourd’hui contrôlés principalement par des insecticides, mais l’évolution des pratiques agricoles pourraient être, voire sont déjà, la source de nouvelles émergences de maladies. En effet, la réduction de l’utilisation des pesticides en accord avec le plan EcoPhyto en France et les nouvelles réglementations européennes moins contraignantes en terme de surveillance facilite leur dissémination.
Les efforts de la recherche pour mieux comprendre la biologie et l’écologie des psylles vecteurs (ou potentiellement vecteurs) de phytoplasmes visent à proposer de nouveaux moyens d’anticipation et de contrôle du risque épidémiologique. Malgré ces travaux, la connaissance des interactions biologiques de ces bactéries, insectes et plantes est incomplète et mal établie, notamment en raison du très grand nombre de publications.
Le web a démultiplié les possibilités d’accès aux documents scientifiques y compris très anciens. L’extraction automatique d’informations contenues dans ce type de documents par des méthodes de TAL a fait ses preuves dans de nombreux domaines de la biologie, notamment l’extraction d’entités nommées, leur normalisation et leur mise en relation. Les progrès récents sont considérables grâce aux larges modèles de langue (LLMs) qui ont trouvé de nombreuses applications notamment dans le domaine biomédical. Le domaine de l’écologie, sujet de ce stage, soulève des questions d’intérêt pour la recherche en TAL. Tout d’abord, les interactions biologiques d’intérêt impliquent plusieurs participants, au moins un pathogène, un vecteur et une plante, l’extraction de relations n-aires est donc nécessaire. Les articles reprennent des informations publiées en les citant. Associer la source bibliographique (la référence) à l’information extraite est nécessaire pour caractériser l’information dans la perspective d’en estimer la pertinence.

Sujet :
Le projet de Master porte sur l’extraction automatique de relations biologiques à partir de documents. Le stage ciblera en priorité trois espèces particulières de psylles vecteurs de bactéries pathogènes d’arbres fruitiers. Ce travail s’inscrit dans le cadre plus large d’un projet de thèse, sur la qualité et la nouveauté d’informations épidémiologiques [Nédellec et al. 2024], pour laquelle des candidats étudiants sont également recherchés. Les événements représentant les interactions biologiques entre microbe, insecte, plante et leurs lieux et dates d’observation sont dénotés dans les textes scientifiques par des formulations complexes variables qui portent fréquemment sur plusieurs phrases. L’enjeu sera d’extraire ces événements (voir figure) par des méthodes d’apprentissage profond (deep learning) avec un nombre limité d’exemples produits manuellement.
Nous faisons l’hypothèse qu’exploiter la connaissance disponible dans les domaines spécialisés par des LLMs peut pallier le nombre réduit de données d’entraînement annotées. Il s’agit ici de la base de connaissance Global DataBase de l’EPPO et Psyl’list [Ouvrard, 2022]. La méthode KBPubMedBERT [Tang et al., 2023] pourra être une première solution à explorer, ainsi que des méthodes génératives [Xu et al., 2023], ou semi-supervisée [Genest et al., 2022]. La distance parfois élevée entre les arguments d’événements multiphrases dépasse les limites de modèles de langue (e.g. BERT [Devlin et al., 2019], SciBERT [Beltagy et al., 2019], BioBERT [Lee et al., 2020) et devra faire l’objet de propositions adaptées, par exemple de réseau neuronal de graphe (GNN) pour construire un graphe d’entités et capturer les interactions entre les entités à travers les phrases [Li et al. 2022].
Le rattachement aux événements extraits des sources bibliographiques à travers leur citation est un second objectif du stage. Le rattachement des entités et références a fait l’objet de travaux [Viswanathan et al. 2021]. Il s’agit ici de traiter le rattachement des références à des événements structurés.

**Programme**

La/le stagiaire réalisera un état de l’art des méthodes existantes d’extraction de relations n-aires et de citations. Il/Elle adaptera une de ces méthodes au sujet et proposera des extensions originales intégrées dans le workflow ESV. Robert Bossy (éq. Bibliome) formera et accompagnera la/le stagiaire dans l’utilisation d’AlvisNLP. Les prédictions seront évaluées par les méthodes standards du domaine (e.g. F-mesure, rappel, précision). Les entités de type citation feront l’objet d’un traitement particulier portant sur leur extraction et leur rattachement aux événements biologiques. Un article sera préparé en collaboration avec les co-encadrants en fonction des résultats obtenus.

**Ressources**

Seront mis à disposition les éléments nécessaires à la réalisation des objectifs du stage : (1) le workflow opérationnel ESV sur la plateforme AlvisNLP d’extraction d’information d’entités, de normalisation et d’extraction de relations binaires, (2) la base de connaissance Global DataBase de l’EPPO, (3) un corpus de documents non annoté d’où les informations sont à extraire, (4) le corpus EPOP (Epidemiomonitoring Of Plant) annoté manuellement. Les moyens de calcul GPU du méso-centre de l’Université Paris-Saclay seront utilisés (e.g. Lab.IA).

Profil du candidat :
– Expérience de deep learning
– Expérience en TAL et/ou utilisation de la bibliothèque HuggingFace
– Maîtrise de l’anglais ou français courant.
– Compétences techniques requises : Python et/ou Java
– Intérêt pour les applications en biologie et le travail interdisciplinaire.

Formation et compétences requises :
– Master 2 en INFORMATIQUE orienté Traitement Automatique des Langues et/ou Apprentissage automatique

Adresse d’emploi :
Equipe Bibliome, unité MaIAGE, INRAE, Jouy-en-Josas

Document attaché : 202312061614_Stage IEV.pdf

Le TAL au service de la fouille d’articles scientifiques. Méthodes, objets d’études, sites d’études et impact des publications en écologie : une question de genre ?

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

Laboratoire/Entreprise : Laboratoire Informatique et Systèmes (LIS), Profes
Durée : 6 mois
Contact : patrice.bellot@univ-amu.fr
Date limite de publication : 2023-12-07

Contexte :
Les statistiques concernant l’équilibre des genres dans la recherche académique montrent que le pourcentage d’hommes et de femmes varie en fonction de la discipline concernée, et que dans les domaines dans lesquels les femmes sont traditionnellement minoritaires, les trajectoires de carrière des femmes sont en moyenne plus lentes que celles des hommes. La question de l’évaluation de la carrière et de la promotion repose en grande partie sur des critères de performance en termes de production scientifique. Se pose toutefois le défi d’évaluer l’originalité, la quantité, la qualité, et l’impact des recherches menées par une personne en particulier, que ce soit en termes d’impacts académique ou sociétal. Dans ce cadre, la disponibilité d’outils bibliométriques relativement faciles d’utilisation (logiciels dédiés, packages R et Python, outils fournis dans Google Scholar, Web of Knowledge, Altmetric) permet non seulement de calculer des critères usuels de performance (nombres d’articles, position, nombre de citations, « h-index ») et de visibilité en ligne (le nombre de consultations, de commentaires ou de partages), mais également des métriques propres aux analyses de réseaux complexes, reposant entre autres sur les listes de coauteurs, les adresses, les mots clés, les listes de référence. Des logiciels tels que Gargantext1 et VosViewer permettent d’explorer de tels réseaux de publications et d’auteurs au moyen de visualisations avancées.
Ceci ouvre donc la possibilité d’étudier plus finement où se jouent éventuellement des différences de performance et d’impact entre les genres. Par ailleurs, un des aspects peu étudiés des différences de genre est le contenu des articles publiés, qui permet cependant d’accéder à d’éventuelles différences de genre dans la production de connaissances, c’est-à-dire les méthodes utilisées, les organismes étudiés ou les lieux. Si ces caractéristiques diffèrent entre genre, et qu’elles influencent aussi l’impact des articles, alors, elles pourraient expliquer certaines des différences de performance bibliométriques et par suite, du déroulement de la carrière.

Sujet :
Résumé.
Le stage vise à identifier, à partir d’une analyse automatisée d’un corpus d’articles scientifiques issus de revues d’écologie, si le genre des auteurs impacte les méthodes, modèles, espèces et type d’écosystèmes étudiées, et les sites d’études. Dans un deuxième temps, la relation entre genre des auteurs, performance individuelle des auteurs, contenu et l’impact des articles sera aussi étudiée.
Sur le plan informatique, le stage combine des problématiques du traitement automatique des langues, de la recherche d’information et de la fouille de données : extraction d’information (notamment reconnaissance d’entités nommées et identification de mots-clés), représentations de documents et partitionnement à partir d’approches neuronales (modèles de thèmes de type BERTopic), analyse de graphes et détection de communautés.

Profil du candidat :
Master Informatique ou équivalent

Formation et compétences requises :
• Méthodes du traitement automatique des langues à base d’apprentissage machine pour l’extraction d’information et la classification automatique de textes (transformeurs, LDA, représentations vectorielles…)
• Intérêt pour les analyses bibliométriques et scientométriques
• Langage Python et bibliothèques spaCy, scikit-learn, Pandas et Keras ou PyTorch

Adresse d’emploi :
Le/la stagiaire réalisera son stage au LIS Marseille. Le/la stagiaire sera sous la responsabilité de Anne Loison, directrice de recherche au CNRS au LECA et de Patrice Bellot, professeur à l’université Aix-Marseille.
Des déplacements entre l’Université Aix-Marseille et l’université Savoie Mont-Blanc sont à prévoir (frais de déplacement et d’hébergement pris en charge).

Document attaché : 202312061355_stageMethodesObjectRechercheEcologieGenre.pdf

Deep Learning expert developer position

Offre en lien avec l’Action/le Réseau : BigData4Astro/– — –

Laboratoire/Entreprise : LESIA, Observatoire de Paris-PSL
Durée : 18 to 24 months
Contact : baptiste.cecconi@obspm.fr
Date limite de publication : 2024-01-31

Contexte :
The EXTRACT project (EU, https://extract-project.eu) is currently conducting the design of an edge-to-cloud solution for heavy data processing based on Deep learning methodologies. One of the use case is the project Transient Astrophysics using SKA pathfinders (TASKA) that covers the processing of dynamical astronomical imaging data in radio using deep learning.

Radio astronomy imaging involves the inversion of set of Fourier domain samples acquired by an interferometer, observing a certain direction of the sky at a specific temporal and spectral rate.

The transformation from the recorded data (set of sparse and incomplete Fourier samples) to a multidimensional image cube containing scientific information, is a strong and ill-posed inverse problem.

For decades, « classical » radio interferometric imaging usually involved the production of single 2D image from the averaging (in time and frequency) of Fourier samples and solving the deconvolution problem to remove the instrumental impulse response. The target was to obtain a static image of the sky in radio. The classical CLEAN algorithm (1974) and CLEAN derivatives methods were historically the most widespread methods used to solve for the problem, mainly in the image space.

Sujet :
When the observed sky is steady, the accumulation of Fourier samples helps getting better images with improved signal-to-noise ratio (SNR) and image fidelity. However, if an astrophysical event (a.k.a. a radio « transient ») occurs during the observation, a long time integration can average out and prevent the detection of such short-lived event. Fast snapshot imaging using the same methods trying to follow fast variations of the sky provide a very limited SNR that would limit the detection level to only powerful astrophysical transients. In addition, extended time-variable emission (e.g., Solar flares, planetary emissions, etc.) are only poorly imaged using classical 2D imaging at a higher rate.

With the development of machine learning and deep learning (ML/DL) methodologies, solving for the imaging and deconvolution can be revisited to produce images cubes with the lowest possible bias while maintaining the integrity of the physical information measured from the sky. The imaging problem is analog to a video restoration problem where identified features are restored and tracked in time and spectral domains.

Hopefully, the astrophysical transients usually have a smooth behavior in time and spectral domains and can be located in a region of the sky. Therefore, the approach of this project is to model the varying source as a 4D structured signal that could be detected and restored with the appropriate approach of the data.

The developed networks will use trainings sets composed of simulated data as well as real data.

Profil du candidat :
(M/F) Post-Doc OR Research Engineer degree (>= 2 years experience in image processing)

Application domain: Applicant profile can come from various image processing and image restoration fields, such as medical imaging, astronomy, video restoration, industry, etc. Applications with a general scientific or signal processing background will be favoured.

Academic background: PhD or MsC degree in Computer Science or similar.

Formation et compétences requises :
We require candidates to have an moderate or advanced level of expertise in the following fields:
– Python/C++
– General knowledge in DL networks (e.g. CNN, GAN, Unet, mainly focused on image processing, image restoration or time series analysis etc.
– Knowledge of DL Frameworks (e.g. TensorFlow, keras, PyTorch
– (Optional) Inverse problem formulation and resolution
– (Optional) Fourier analysis and Fourier sampling
– (Optional) Data workflow management systems
– (Optional) Knowledge on edge/cloud technologies

Adresse d’emploi :
LESIA, Observatoire de Paris,
5 Place Jules Janssen,
92190 Meudon

Document attaché : 202312061248_Profil TASKA D-E-2.pdf

Postdoc position on graph mining/learning at LIRIS/University Lyon 1, France

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

Laboratoire/Entreprise : LIRIS
Durée : 13 mois
Contact : hamida.seba@univ-lyon1.fr
Date limite de publication : 2024-01-31

Contexte :
A full-time 1 year postdoctoral position in Computer Science is available at the Laboratoire d’Informatique en Image et Systèmes d’information (LIRIS), Université Lyon 1 on Graph mining and learning

Sujet :
Research in graph mining and learning.
The position does not come with teaching duties, thus French is NOT mandatory.
Duration: 13 months
Staring: ASAP
Salary: according to experience (~2000-2500EUR of monthly net salary)
Location: Villeurbanne
There might be opportunities for the recruited candidate to supervise or co-supervise master students.

Applications include a detailed CV with a complete list of publications and should be sent to hamida.seba@univ-lyon1.fr

Profil du candidat :
* Completed PhD in Computer Science
* Strong academic background on graph algorithms and mining/learning methods.
* An interest on implementation aspects with Python/C++

Formation et compétences requises :
Phd in computer science

Adresse d’emploi :
Laboratoire d’Informatique en Image et Systèmes d’information (LIRIS), Université Lyon 1, Villeurbanne France

Post-doc : Hybrid Artificial Intelligence applied to Byzantine Sigillography

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

Laboratoire/Entreprise : Sorbonne Université
Durée : 12 moths
Contact : maria-victoria.eyharabide@sorbonne-universite.fr
Date limite de publication : 2024-01-31

Contexte :
1 Context

This research will be developed within the framework of the ANR BHAI project. The general aim of the project is to combine computer vision, NLP, knowledge engineering, and mathematical modeling of spatial relationships to help with the interpretation of Byzantine seals. This research aims to (i) fully recover the text on seals, (ii) work on the recognition of objects to analyze iconographic scenes, (iii) estimate the inception date of Byzantine seals, and (iv) propose solutions based on hybrid AI techniques to interpret damaged areas based on existing insights.

Sujet :
2 Information about the internship

• Project: ANR BHAI https://anr.fr/Project-ANR-21-CE38-0001
• Project’s members:
– Victoria Eyharabide, STIH Laboratory, Sorbonne Université (Project coordinator)
– Laurence Likforman-Sulem, Departement IDS, Telecom Paris
– Isabelle Bloch, LIP6 Laboratory, Sorbonne Université
– Beatrice Caseau, UMR 8167 Orient et Méditerranée, Sorbonne Université
• Location: Maison de la recherche, Sorbonne Université – 28 rue Serpente, 75006 Paris.
• Duration: 12 months
• Keywords: Deep Nets, Character recognition, NLP, Instance segmentation, Fuzzy Logic, Knowledge representation and reasoning, Byzantine sigillography.

Profil du candidat :
3 Profile of applicant

Applicants are required to have:
• A PhD in Computer Science.
• Advanced skills in Python programming are mandatory.
• A strong background in Machine Learning & Deep Learning on images and/or text using related libraries (scikitlearn, Tensorflow, Pytorch, etc.).

Formation et compétences requises :
• Fluency in written and spoken English is essential.
• Communication skills in French are a plus but not required.
• A good publication record will be a plus.

The position is open immediately. Review of applications will begin as soon as applications are received and continue until the position is filled.

Adresse d’emploi :
Maison de la recherche, Sorbonne Université
28 rue Serpente, 75006 Paris.

Document attaché : 202312051608_Postdoc_BHAI_2024.pdf

EGC 2024 du 22 au 26 janvier 2024, Dijon – 1er appel à participation

Date : 2024-01-22 => 2024-01-26
Lieu : Dijon







Toutes nos excuses en cas de réceptions
multiples.
************************************************************************
APPEL À PARTICIPATION EGC 2024
24ème édition



du 22 au 26 janvier 2024, Dijon



https://iutdijon.u-bourgogne.fr/egc2024/

 

–
École é-EGC (les 22 et 23 janvier 2024) sur le thème : « Analyse
des données et apprentissage face à l’urgence climatique et la crise
écologique, humanitaire et économique »

 

– Ateliers (le 23 janvier) : 9 ateliers

 

– Conférence (du 24 au 26 janvier) : 5
conférenciers invités
************************************************************************

Depuis 2000, la conférence Extraction et Gestion des Connaissances (EGC) est un
événement annuel réunissant des chercheurs et praticiens de disciplines
relevan

Lien direct

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

L’institut ACSS de l’Université PSL recrute un ingénieur d’études en science des données pour les sciences sociales

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

Laboratoire/Entreprise : Université de Paris-Dauphine – PSL
Durée : 1 an renouvelable
Contact : bruno.chavesferreira@dauphine.fr
Date limite de publication : 2024-01-31

Contexte :
Créé au sein de l’Université Paris Sciences et Lettres (PSL) et hébergé à Paris Dauphine, l’Institut « Applied Computational Social Sciences » a pour vocation de renforcer la recherche sur les grandes problématiques sociétales (cohésion politique et sociale, transition écologique, transformation numérique, efficacité et compétitivité économique) en articulant sciences des données et sciences sociales.

L’Institut collecte et traite à larges échelle des données hétérogènes tant pour permettre des avancées scientifiques que pour contribuer à éclairer le débat public et la décision. Il réunit sur une équipe pluridisciplinaire de chercheurs et s’appuie sur une équipe d’ingénieurs qui apportent leurs expertises pour constituer des bases de données originales et opérer des traitements complexes. Ces projets sont initiés et portés par des laboratoires du CNRS, de Dauphine, de l’ENS, de l’INSP, et des MinesParis-Tech. Les résultats des travaux ont vocation à être largement diffusés auprès de partenaires institutionnels et du monde économique.

Sujet :
Dans le cadre du développement de l’Institut ACSS, l’Université PSL recrute une/un ingénieur(e) d’études (IE) en science des données. Elle/il sera chargé(e) de mettre en œuvre des méthodes et outils de collecte et traitement de données issues de sources variées (Web, bases de données institutionnelles, archives, etc.). Elle/il aura également la responsabilité de veiller au respect des bonnes pratiques en matière de développement et de gestion du code et des données. Enfin, ielle/il contribuera au développement de modèles statistiques ou d’apprentissage automatique (notamment dans le domaine du traitement automatisé de la langue naturelle).

Profil du candidat :
Formation :
Titulaire d’un master informatique, maths-info ou d’un diplôme d’école d’ingénieur.

Divers :
Peut convenir à un premier poste.
Il s’agit d’une création de poste sur CDD pour une durée de 1 an renouvelable
Rémunération suivant profil et expérience en fonction des grilles CNRS.
Le poste est basé à l’université de Paris Dauphine.

Formation et compétences requises :
Compétences nécessaires :
Connaissance approfondie de l’écosystème Python (et/ou R) en traitement, analyse et visualisation de données.
Maîtrise des bases de données relationnelles et NoSQL.
Méthodologies de développement : tests unitaires, gestion de versions (GIT).
Compréhension des méthodes scientifiques des sciences humaines et sociales.
Compétences additionnelles souhaitées :
Connaissance des paradigmes principaux d’apprentissage automatique (régression, classification supervisée, clustering, visualisation, etc.).
Pratique des services web modernes (architecture REST, formats JSON, XML, etc.) et des expressions régulières.
Une expérience en traitement de la langue naturelle (NLP) sera vivement appréciée.

Adresse d’emploi :
Université de Paris Dauphine
Pl. du Maréchal de Lattre de Tassigny, 75016 Paris

Document attaché : 202312051021_Ingenieur_IE_ACCS_2023_fr.pdf

Postdoctoral Position on Meta-learning for medical image analysis

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

Laboratoire/Entreprise : XLIM, university of Poitiers
Durée : 12 months
Contact : olfa.ben.ahmed@univ-poitiers.fr
Date limite de publication : 2024-01-31

Contexte :
We are looking for an outstanding and highly motivated Postdoctoral researcher in artificial intelligence, data science, or related fields to work on Meta-learning for low-prevalence disease detection. This postdoctoral position is part of the ANR JCJC MIMIC research project.

Sujet :
Context:

Deep learning-based approaches have seen an impressively good performance in the computer vision domain. However, huge, labeled datasets are needed to train on. Collecting such extensive annotated data is time and resource-consuming and it is not feasible for real-world applications, especially in the medical domain [1]. Developing deep learning approaches in the medical domain presents several challenges namely the scarcity and heterogeneity of data. In this position, the selected candidate will work on proposing data-efficient medical image analysis methods by addressing the current limitations of deep learning models in the medical domain.

Objectives:

This position aims to develop efficient deep-learning models using a small available medical imaging dataset for low-prevalence disease detection. We will investigate the recent development of meta-learning approaches [2] to facilitate quick adaptation of deep neural networks trained on data samples of common diseases for the identification of diseases with much less annotated data. Specifically, the selected candidate will focus on developing supervised meta-learning approaches taking into account the specificity of medical images. The work includes also leveraging the limited number of labeled images, along with potentially available unlabeled images to enhance the performance of the trained meta-learner.
The proposed methods will be tested and evaluated on medical diagnosis tasks representing real-world scenarios of low-prevalence disease detection, assessing the models’ ability to detect disease from small amounts of data.

Data used to implement different methods will be issued from our archives of imaging data collected in previous and current projects that involve Poitiers University Hospital. In addition, we will use several SOTA publicly available medical imaging datasets.
References :

[1] Chen, Xuxin, et al. “Recent advances and clinical applications of deep learning in medical image analysis.” Medical Image Analysis 79 (2022): 102444.
[2] Ouahab, Achraf, Olfa Ben-Ahmed, and Christine Fernandez-Maloigne. “A Self-attentive Meta-learning Approach for Image-Based Few-Shot Disease Detection.” MICCAI Workshop on Resource-Efficient Medical Image Analysis. Cham: Springer Nature Switzerland, 2022.

Profil du candidat :

• Ph.D. in Computer science and signal processing / Applied mathematics/ Artificial Intelligence, data sciences
• Strong skills in deep learning, mathematics, science, and data analysis…
• Programming experience in Python
• Experience in the medical imaging field would be a plus
• Experience in meta-learning will be a plus
• Excellent oral and written communication skills

Formation et compétences requises :
Salary :
Remuneration and social benefits are based on the collective wage agreement for public-sector employees at the national French level, considering previous years of experience. Salary between €2905 and €4081 gross monthly, depending on experience.

Start date and duration: The exact starting date is flexible and will be arranged with the candidate, and it should take place between February and April 2024. The position is funded for 12 months with a possible extension.

How to apply: Send your CV with a publications list, 2 names of references, and a motivation letter to olfa.ben.ahmed@univ-poitiers.fr

Adresse d’emploi :
Xlim site de Futuroscope, university of Poitiers