Animateurs
- Christian Wolf (MCF HDR LIRIS, CITI, INRIA, Lyon) (site web)
- Nicolas Thome (PU, Cnam Paris) (site web)
L’apprentissage automatique est une force motrice majeure dans les récentes évolutions des Sciences de l’Information. Les avancées effectuées, par exemple en vision par ordinateur, ont eu un impact aussi bien dans le monde académique que dans le monde industriel. A ce double succès s’ajoute une visibilité croissante par le grand public, témoignée par les nombreux articles parus dans la presse.
Les méthodes d’apprentissage profond (« deep learning ») se sont établies comme référence pour un grand nombre de problèmes en remportant les plus prestigieuses compétitions scientifiques. Il est intéressant de noter que l’émergence de l’apprentissage profond comme thématique phare de l’Intelligence Artificielle est généralement associée aux progrès en rupture obtenus en reconnaissance de la parole (les avancées en 2011 par Microsoft) et en classification d’images (la compétition ILSVRC/Imagenet gagnée en 2012 par l’Université de Toronto). Enfin, il convient de mentionner que les trois exemples remarquables cités dans le livre blanc sur l’Intelligence Artificielle publié en 2016 par l’INRIA relèvent du traitement d’images.
Ce succès de l’apprentissage automatique, et plus généralement des développements de l’Intelligence Artificielle, repose à la fois sur des avancées en termes de modélisation de l’information et de représentation des connaissances, sur des méthodes d’apprentissage statistiques exploitant des données massives annotées, et enfin sur des calculateurs puissants parfaitement adaptés aux modes de calcul associés (GPU, accélérateurs dédiés). Ce renouveau induit une évolution de paradigme en traitement du signal et de l’image, et s’accompagne d’une forte croissance interne (doublement de la taille des congrès en quelques années) et externe, à la fois dans des disciplines recourant naturellement à des méthodes d’apprentissage (signal, image, vision, texte, intelligence artificielle, etc.), que dans des disciplines contribuant au développement d’outils nécessaires à sa mise en œuvre et à sa compréhension (optimisation, statistique, etc.).
Le GdR ISIS, conscient de cette mutation profonde et rapide de la communauté, a souhaité en tenir compte et accompagner les évolutions de son métier en consacrant une place entière à l’apprentissage par la mise en place d’un nouveau thème transverse (T) sur la thématique de l’apprentissage pour le traitement du signal et des images.
Verrous scientifiques
Au-delà des succès récents de l’apprentissage pour le traitement du signal et des images, de nombreuses problématiques restent ouvertes pour en étendre et généraliser la mise en œuvre à d’autres types de problèmes et données. Afin de rendre compte des évolutions méthodologiques récentes de la discipline, le Thème T structure sa réflexion autour de cinq grands enjeux scientifiques dont doit se saisir la communauté :
- Formulations d’apprentissage et architectures
- Passage à l’échelle et transfert
- Compréhension formelle des réseaux profonds
- Traitement de données multi-modales
- Apprentissage et connaissances
Le thème T apprentissage est par nature transverse au sein de l’organisation du GdR, compte tenu des multiples interactions possibles en apprentissage automatique avec les Thèmes A, B, C et D.
De par son sujet, le thème T a également des interactions fortes avec le GDR IA (« Aspects Formels et Algorithmiques de l’Intelligence Artificielle »), et avec le GDR Robotique. L’apprentissage automatique étant à l’intersection des trois GDRs, une partie des activités sera co-organisée par avec les différentes structures, impliquant plusieurs actions du Thème T.
Actions spécifiques
(description détaillée en suivant ce lien)
- Apprentissage des représentations
- Vision, robotique et apprentissage
- Modélisation et optimisation à l’interface signal/apprentissage
- Vision 3D, géométrie et apprentissage
- Visages, gestes, activités et comportements