Vous êtes ici : Accueil » Réunions » Réunion

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Bilan TRECVid 2014 et apprentissage profond

Nous vous rappelons que, afin de garantir l'accès de tous les inscrits aux salles de réunion, l'inscription aux réunions est gratuite mais obligatoire.

Inscriptions closes à cette réunion.

Inscriptions

44 personnes membres du GdR ISIS, et 26 personnes non membres du GdR, sont inscrits à cette réunion.
Capacité de la salle : 80 personnes.

Prise en charge d'un déplacement dans le cadre d'une réunion d'animation

Qui ?

Le GdR ISIS prend en charge les déplacements des organisateurs des réunions et des orateurs. Le GdR prend aussi en charge les déplacements des participants aux réunions membres d'un laboratoire adhérent du GdR dans la limite d'un doctorant et d'un permanent par laboratoire académique et par réunion, ou d'une personne par adhérent du club des partenaires et par réunion.

Quand organiser son déplacement ?

Les demandes de mission et les réservations doivent impérativement être effectuées au moins deux semaines avant la date de la mission.

Comment réserver ?

Annonce

La journée sera décomposée en deux demi-journées de présentations :

Le consortium IRIM GDR-ISIS participe depuis 2008 au défi international TRECVid. Cette année, 8 équipes ont collaboré dans le cadre d'IRIM pour une participation conjointe sur les tâches d'indexation sémantique (SIN) et de recherche d'instances (INS). Dans le cadre de TRECVid, l'apprentissage profond a été utilisé avec succès pour la première fois en 2013 par l'Université d'Amsterdam. En 2014, plusieurs équipes bien classées sur cette tâche (dont IRIM) ont également utilisé différentes méthodes relevant de l'apprentissage profond. Il nous a donc semblé intéressant de proposer une journée commune visant à aborder différents aspects du deep et des applications possibles au travers du bilan TRECVid 2014.

Le succès impressionnant des méthodes deep ces dernières années, en particulier en classification d'images et en indexation multimédia, repose pour une bonne part sur l'apparition de ressources de calcul très performantes à un coût raisonnable (cartes GPU par exemple) et sur la disponibilité de grandes collections de données annotées, mais tient aussi à des avancées algorithmiques, notamment au travers de la maîtrise des méthodes de rétro-propagation pour des réseaux à grand nombre de couches.

Programme

(Planning indicatif succeptible d'ajustements)

matin Bilan TRECVid 2014

 -------------------------------------------------------------------------------------------------------------

Après-midi Apprentissage profond (deep learning)

Résumés des contributions

 

Learning Music, Images and Physics with Deep Scattering Networks
Stéphane Mallat (École Normale Supérieure)
Abstract:
Deep convolution networks provide scalable architectures for high-dimensional classification problems. We show that they can reduce intra-class variability by computing large families of multiscale invariants over groups of operators. Invariants to rigid movements, frequency modulations and small diffeomorphisms are obtained by cascading convolutions with wavelet filters on the corresponding group. Applications will be shown for audio signals, image classification and regression of quantum chemistry energies. The role of supervised learning will be discussed.

---------------------------------------------------------------------------------------------------------------

Weakly supervised object recognition with convolutional neural network
Ivan Laptev (INRIA)
Abstract:
Successful methods for visual object recognition typically rely on large image datasets with rich annotation. Detailed image annotation in terms of object bounding boxes or object parts is both expensive and subjective. In this talk we will present a weakly supervised convolutional neural network (ConvNet) that achieves state-of-the-art results without using detailed annotation. In particular, we will show results for object and action recognition in still images where the network learns to recognize and localize objects and human actions without using location supervision at the training time. We show that our weakly-supervised method achieves comparable performance to its strongly-supervised counterpart.

Date : 2015-03-20

Lieu : Salle 105, tour 25-26 UPMC- LIP6 site JUSSIEU


Thèmes scientifiques :
B - Image et Vision

Inscriptions closes à cette réunion.

Accéder au compte-rendu de cette réunion.

(c) GdR 720 ISIS - CNRS - 2011-2018.