Réunion

Les commentaires sont clos.

Apprentissage automatique multimodal et fusion d'informations (2ième édition)

Date : 19-01-2022
Lieu : Visioconférence (avec ZOOM)

Thèmes scientifiques :
  • B - Image et Vision

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

43 personnes membres du GdR ISIS, et 14 personnes non membres du GdR, sont inscrits à cette réunion.

Capacité de la salle : 250 personnes.

Annonce

Suite de la journée « Apprentissage automatique multimodal et fusion d'informations » du 27/05/2021, nous organisons la deuxième édition sur cette thématique. Les approches de fusion d'informations sont de plus en plus utilisées dans les applications industrielles et médicales dans lesquelles il existe un réel besoin de prendre en compte plusieurs types d'informations simultanément, même celles d'un expert. Les systèmes de fusion deviennent complexes car ils impliquent toutes les étapes de la chaîne de traitement de l'information (de l'extraction à la décision). Ils ont de nombreux paramètres et impliquent un temps de calcul important. Ils ne sont pas non plus faciles à utiliser et à ajuster par les utilisateurs finaux. L'objectif de cette journée est de réunir des chercheurs afin de présenter et de discuter des développements récents dans la conception de systèmes de fusion d'informations, y compris mais non limité à ces sujets :

  • Comment et quelles informations extraire ?
  • Comment représenter et agréger l'information ?
  • Comment agréger des informations incertaines ou conflictuelles ?
  • Comment décider que le résultat global est le meilleur ?
  • Comment un expert peut-il utiliser et ajuster ce système ?

Les applications industrielles et médicales sont de plus en plus demandeuses de ce type de système et les experts veulent une approche coopérative dans laquelle ils ont confiance.

Appel à communications

Le programme inclura des communications pour lesquelles un appel à contributions est lancé. Si vous souhaitez présenter vos travaux, merci d'envoyer vos propositions le 5 janvier 2022 au plus tard (titre, auteurs, affiliation, un résumé de 5-10 lignes) aux organisateurs :

  • Didier Coquin, didier.coquin@univ-smb.fr
  • Mauro Dalla Mura, mauro.dalla-mura@gipsa-lab.grenoble-inp.fr
  • Su Ruan, su.ruan@univ-rouen.fr

Deux orateurs invités

  • Nicolas Duchateau, Labo CREATIS, Lyon
    Titre :Representation learning and fusion of multi-modal data for the statistical analysis of medical imaging populations
    Résumé : In medical imaging, the data descriptors can consist of the original images, or more elaborated characteristics of an organ such as shape, deformation along time, etc. Most of them are high-dimensional and originate from a non-linear space that should be considered for the statistical analysis of a whole population. Several techniques from representation learning such as manifold learning or variational auto-encoders allow estimating a latent space that encodes the input data and is statistically relevant to compare individuals or subgroups. However, developing computer-aided diagnosis and prognosis systems in the medical imaging context requires handling multiple high-dimensional and heterogeneous data descriptors, and their potential interactions. In this talk, I will provide an overview of some representation learning techniques relevant for the fusion of multi-modal data, aiming at the statistical analysis of medical imaging populations, but keeping in mind the clinical problem to address and that the estimated data representations need to be interpreted and trusted by medical doctors.
  • Thierry Denoeux, Labo Heudiasyc, UTC
    Titre : Théorie des fonctions de croyance et apprentissage automatique
    Résumé : La théorie de Dempster-Shafer est basée sur la modélisation d?informations élémentaires par des fonctions de croyance et sur leur combinaison par différents opérateurs choisis en fonction d?hypothèses sur les sources. Elle est donc particulièrement adaptée à la fusion d?informations. En apprentissage, la théorie des fonctions de croyance permet de modéliser l?incertitudes sur les données (apprentissage partiellement supervisé) et sur les prédictions (classifieurs « évidentiels »). Le modèle des réseaux de neurones évidentiels, basé sur la distance à des prototypes, a récemment été étendu à l?apprentissage profond. Par ailleurs, des résultats récents permettent d?interpréter les traitements effectués dans la couche de sortie « softmax » d?un réseau de neurones comme l?addition de poids d?évidence, un des concepts clés de la théorie des fonctions de croyance. Ce point de vue permet d?envisager de nouveaux algorithmes d?apprentissage et de nouvelles approches pour combiner les sorties de plusieurs classifieurs. Dans cet exposé, je discuterai ces résultats récents et je tenterai de dégager quelques perspectives.