Seminar

The seminar of OBELIX team is currently held on thursdays 11:30 am, every two weeks, at the IRISA lab, Tohannic campus (bat. ENSIBS). Usually, the presentation lasts 30 min and is followed by a discussion with the team.

The seminar is coordinated by Chloé Friguet: Please contact me for any information or if you want to present your work to our team.

Previous seminars

2019 / 2019-20 / 2020-21 / 2021-22 / 2022-23 / 2023-24

Upcoming seminars (2023-24)


  • Date: MONDAY, March 25th – 11h00
  • Room : VISIO
  • Speaker: Patty COUPEAU (ATER Univ Angers, IUT GEII, LARIS)
  • Title : On the use of structural relationships based on deep learning and graphs for image analysis
  • Abstract : Deep learning for image analysis has grown considerably in recent decades, without exploiting all the information provided by images. My work focuses on the incorporation of high-level structural relationships, which correspond to observable relations between objects or regions of the image (e.g. spatial, photometric relationships), using graph neural networks (GNNs). Integrating this information allows for improved deep learning performance in image analysis and reduces the required amount of training data. The presentation will cover contributions to semantic image segmentation and image classification. Each contribution will be illustrated by a medical imaging application of central interest to my work, namely the study of early brain lesion in children, as well as a possible transposition to aerial imagery for environmental monitoring. Perspectives for these methods lie in the explainability of results, and the use of multi-view graphs, which will be useful, for example, for the efficient combination of spatial and temporal data from environmental observations.

  • Date: THURSDAY, March 28th – 11h30
  • Room :  VISIO
  • Speaker: Marc Chaumont (Ass. professor HDR, LIRMM, Montpellier)
  • Title : Revisite d’une méthodologie « classique » pour l’analyse et la comparaison de détecteurs d’objets dans des séquences d’images
  • Abstract : Dans cet exposé, je présenterai tout d’abord mes activités de recherche en parcourant différents projets. Je présenterai ensuite une partie d’un projet européen dans lequel je suis engagé via la direction d’une thèse. Après avoir illustré ce projet, ainsi que les objectifs de la thèse, je vous parlerai d’une étape préliminaire, bien éloignée de l’objectif initial (!), et qui pourtant est non seulement importante mais également particulièrement intéressante d’un point de vue méthodologique/intellectuel. Ainsi, je vous parlerai de la construction d’un K-fold pour l’évaluation de détecteurs d’objets ! Bien que la technique de K-fold soit connue (dans le cadre de la classification) de tous « data-scientists » / « traiteur d’images » / statisticiens / etc, je ferai un petit rappel des diverses approches existantes, et je rappellerai dans quel cas l’utilisation d’un K-fold est pertinent. Bien évidemment, je vous exposerai l’approche que nous proposons afin de généraliser et d’adapter les techniques de K-fold de l’état-de-l’art à la tâche de détection d’objets.

  • Date: THURSDAY, March 28th – 16h00
  • Room : VISIO
  • Speaker: Yann Cabanes (post-doct. Carleton University, Ottawa, Canada)
  • Title : Apprentissage dans les disques de Poincaré de séries temporelles complexes suivant un modèle autorégressif gaussien stationnaire centré : application au clustering de fouillis radar, à la détection et à la classification de drones
  • Abstract : L’objectif du travail présenté est l’étude de séries temporelles radar qui sont par nature des séries temporelles complexes centrées. Dans la première partie de cette présentation, nous souhaitons réaliser le clustering de fouillis radar, c’est-à-dire des données radar liées à l’environnement tels les mers, les forêts ou les champs environnants. Nous supposerons que les séries temporelles complexes observées suivent un modèle autorégressif gaussien stationnaire centré. De telles séries temporelles peuvent être représentées par leurs matrices de covariance qui sont des matrices Toeplitz hermitiennes définies positives. Elles peuvent également être représentées par les coefficients du modèle autorégressif.
    Certains coefficients autorégressifs appelés coefficients de réflexion sont de module strictement inférieur à 1 et déterminent entièrement le modèle autorégressif. Nous munirons cet espace de représentation d’une métrique riemannienne inspirée de la métrique de la géométrie de l’information sur les matrices hermitiennes définies positives. La variété riemannienne obtenue est une variété produit faisant intervenir plusieurs disques de Poincaré (autant que l’ordre du modèle autorégressif). Nous utiliserons alors l’algorithme des k-means dans cette variété riemannienne pour réaliser le clustering de fouillis radar.
    Dans la seconde partie de cette présentation, nous chercherons à faire de la détection et de la classification de drones à partir de séries temporelles radar. Les séries temporelles associées aux drones ne sont pas stationnaires, elles se distinguent par l’effet micro-Doppler induit par la rotation les hélices. Les séries temporelles complexes seront alors segmentées en fenêtres d’observation plus courtes. Pour chaque fenêtre, nous supposerons que la courte série temporelle observée est stationnaire et nous la représenterons par un point dans la variété riemannienne présentée dans la première partie. Nous obtiendrons alors une série temporelle riemannienne dont nous exploiterons les caractéristiques géométriques et statistiques pour faire de la détection et de la classification de drones.

Comments are closed.