Vous êtes ici : Accueil » Réunions » Réunion

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Apprentissage faiblement supervisé ou non supervisé pour l'analyse d'images et de video

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.

S'inscrire à la réunion.

Inscriptions

61 personnes membres du GdR ISIS, et 32 personnes non membres du GdR, sont inscrits à cette réunion.
Capacité de la salle : 130 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

L'apprentissage supervisé est au coeur des techniques actuelles de computer vision et d'analyse d'images et de vidéos. Un des limitations des méthodes d'apprentissage supervisé est la nécessité de disposer de grandes bases de données étiquetées. Cet étiquetage peut être coûteux, voire impossible. Les approches d'apprentissage faiblement supervisé permettent de contourner le problème, en utilisant à la fois des données étiquetées ou non-étiquetées, ou des données partiellement étiquetées.

L'objectif de la journée sera de faire le point sur les techniques d'apprentissage non-, semi- ou faiblement supervisé, de transfert de connaissance, de multiple instance learning, pour l'analyse d'images et de vidéos, mais aussi pour l'annotation automatique ou semi-automatique de grandes bases d'images, où de l'apprentissage incrémental est en jeu.
Cette journée est organisée conjointement entre le thème transverse T Apprentissage pour l'analyse du signal et l'action "Analyse, traitement et décision pour les données massives et multimodales en sciences du vivant" du thème B Image et Vision. Elle est ouverte à des contributions théoriques dans le domaine de l'apprentissage partiellement ou non-supervisé ains qu'à des applications dans le domaine de la vision par ordinateur et de l'analyse d'images ou de séquences d'images médicales.

Le programme comporte trois conférences invitées :
- "Weakly-Supervised Localization and Classification of Proximal Femur Fractures", Diana Mateus, Laboratoire des Sciences du Numérique de Nantes (LS2N, UM 6004)
- "Apprentissage semi-supervisé et faiblement supervisé", Nicolas Thome, CEDRIC lab, CNAM Paris
- "Learning with less labels in medical image analysis", Veronika Cheplygina, Medical Image Analysis group, Eindhoven University of Technology, The Netherlands

Les résumés de leurs présentations suivent.

La journée inclut également des communications pour lesquelles nous lançons un appel à contributions. Si vous souhaitez présenter vos travaux, merci d'envoyer vos propositions pour le 22 avril 2019 au plus tard (titre, auteurs, affiliation, résumé de 15 lignes) aux organisateurs :

Christian Wolf: christian.wolf AT liris.cnrs.fr

Carole Lartizien: Carole.Lartizien AT creatis.insa-lyon.fr

Caroline Petitjean: caroline.petitjean AT univ-rouen.fr

Su Ruan: su.ruan AT univ-rouen.fr

************************

Weakly-Supervised Localization and Classification of Proximal Femur Fractures

Pr Diana Mateus, Laboratoire des Sciences du Numérique de Nantes (LS2N, UM 6004)

************************

We target the problem of fracture classification from clinical X-Ray images towards an automated Computer Aided Diagnosis (CAD) system. Although primarily dealing with an image classification problem, we argue that localizing the fracture in the image is crucial to make good class predictions. We therefore analyze several schemes for simultaneous fracture localization and classification, and show that using an auxiliary localization task, improves the classification performance. Moreover, with recent advancements in weakly-supervised deep learning we demonstrate it is possible to localize the fractures and improve the classification performance even without bounding box localization annotations for training.

************************

Apprentissage semi-supervisé et faiblement supervisé

Pr Nicolas Thome, CEDRIC lab, CNAM Paris

************************

Les méthodes d'apprentissage profond connaissent actuellement un succès important lié à leurs très bonnes performances prédictives. Une limitation pratique importante relative à leur utilisation a trait à la nécessité de disposer de larges volumes de données annotées. Dans cette présentation, je présenterai des solutions basées sur l'apprentissage faiblement et semi-supervisé pour surmonter ce problème. L'apprentissage faiblement supervisé consiste à entraîner un modèle pour effectuer des prédictions fines à partir d'annotations grossières. Ce type d'approche est particulièrement pertinent lorsque le niveau de granularité de l'annotation fine est coûteux, par exemple pour la segmentation d'images. Après un survol des des méthodes de l'état de l'art s'appuyant sur des modèles de deep learning pour la reconnaissance visuelle, je présenterai des modèles de "negative evidence", consistent à apprendre des prédictions locales permettant de modéliser l'absence d'une classe. L'apprentissage semi-supervisé consiste à s'appuyer sur des données non annotées pour améliorer la performance de modèles appris avec peu d'exemples. Je présenterai les solutions pratiques de la littérature, en particulier autour des approches s'appuyant sur un critère de reconstruction, ainsi que celles exploitant la stabilité prédictives des modèles. Je détaillerai ensuite une méthode basée sur une architecture hybride, permettant de découpler les représentions discriminantes pour un problème de reconnaissance de celle utilisées pour la reconstruction des données.

************************

Learning with less labels in medical image analysis

Dr. ir. Veronika Cheplygina, Medical Image Analysis group, Eindhoven University of Technology, The Netherlands

************************

Machine learning (ML) has vast potential in medical image analysis, improving possibilities for early diagnosis and prognosis of disease. However, ML needs large amounts of representative, annotated examples for good performance. The annotation process, often consisting of outlining structures in (possibly 3D) medical images, is time-consuming and expensive. Furthermore, annotated data may not always be representative of new data being acquired, for example due to changes in scanners and scanning protocols. In this talk I will give an overview of approaches such as multiple instance learning and transfer learning, used to address these challenges, and discuss examples from my own work on classifying chronic obstructive pulmonary disease (COPD) in chest CT images.

Programme

Résumés des contributions

Date : 2019-05-10

Lieu : Amphithéatre Robert Faure, CNAM, Paris


Thèmes scientifiques :
B - Image et Vision
T - Apprentissage pour l'analyse du signal et des images

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