Domaine DI D écision, I mage

Evaluation AERES – 2 & 3 février 2011

DI

Domaine DIDécision, Image

Responsable de l’équipe : Yves Grandvalet

Bilan (2006–2010)• Indicateurs• Bilan scientifique• Analyse

Projet (2012–2015)

1


DI




Projet (2012–2015)

2


DI

Composition de l’équipe en 2011

18 membres temporaires

14 doctorants

1 post-doctorant

2 ATER

1 ingénieur contractuel

12 membres permanents5 Primes d’Excellence Scientifique

4 professeurs des universités1 professeur émérite1 directeur de recherche CNRS5 maîtres de conférences (2 HDR)1 chargé de recherche CNRS + 1 détaché à Pékin

3


DI

Evolution de l’équipe3 recrutements 1 professeur des universités (2006)

1 maître de conférences (2007)1 chargé de recherche CNRS (2010)

2 départs 2 maîtres de conférences (2006)(1 promotion PR, 1 mutation UTC)

2 HDR (2006, 2010)

1 promotion directeur de recherche (2010)

1 éméritat (2010)

2 mobilités à l’étranger1 chargé de recherche CNRS (2006-2008) - Idiap (EPFL), Suisse1 chargé de recherche CNRS (2007-2011) - LIAMA, Pékin, Chine

4


DI

Formation doctorale

20 thèses soutenues (2006-2010)

41 mois de durée moyenne

FinancementsMinistère (5), Inrets/CEA (4), Projets (5), Cifre (6)

Devenir des 16 docteurs sur 2006-2009Enseignant-chercheur/chercheur (9), R&D privée (4)

5


DI

Bilan publications

6

2006 2007 2008 2009 2010 Total

ACL 14 6 10 11 9 50

% ACL extérieurs au laboratoire 57% 33% 40% 73% 78% 58%

ACTI 22 23 29 18 12 104

% ACTI extérieurs au laboratoire 68% 70% 55% 67% 25% 60%

ETP 6 5 5,5 5,5 5,5 27,5

ACL/ETP 2,3 1,2 1,8 2,0 1,6 1,8


DI

Responsabilités nationales

•DGA : direction scientifique B. Dubuisson

•ENS Cachan, Inrets, Cetim : conseil d’administration

•Inria, Paris 6, INPG, etc. : conseil scientifique

•CNRS : direction adjointe scientifique INS2I J-P. Coquerez

•GdR Isis : direction

•CNU 61 : 2 membres

Rayonnement scientifique (1/2)

7


DI

Activités éditorialesRédacteur en chef - Int. J. Approx. ReasoningEditeur associé - IEEE T. Inf. Technol. Biomed., Fuzzy Sets Syst.Editeur invité - Soft Comput., Int. J. Approx. ReasoningEditeur scientifique - Wiley-ISTE

8 conférences invitées

Organisation de conférences/écolesComité de pilotage, président du comité de programme d’un

congrès nationalComité de pilotage, président du comité de programme d’une

école thématique

Rayonnement scientifique (2/2)

8


DI

Responsabilités établissement• Directeur adjoint du laboratoire T. Denoeux (depuis 2008)

• Directeur adjoint du collegium B. Dubuisson (depuis 2009)puis T. Denoeux

• Directeur du laboratoire SIME T. Denoeux (1999-2010)

• Responsable Master UTC J.-P. Cocquerez (depuis 2008)• Responsable de la filière biomédicale J.-F. Lerallut (depuis 2005)

9

Spécialité du Master de l’UTC « Systèmes Intelligents pour les Transports »

Formation ingénieur, filière « Fouille de Données et Décisionnel »

Implication dans la formation


DI

MobilitéAccueil de visiteurs2 jeunes chercheurs (4 homme-mois)

• European Center for Soft Computing, Oviedo, Espagne (2009)• Université de Trente, Italie (2010)

Séjours à l’étranger 1 doctorant, 3 mois à l’Idiap, Suisse (2006)Y. Grandvalet, à disposition de l’Idiap, Suisse (2006–2008)F. Davoine, détaché au LIAMA, Chine (2007–2011)

10


DI

Collaborations internationales

11

Mexique • Mexico

Etats-Unis• Chicago• Princeton

Canada • Montréal

Chine • Pékin

Tunisie • Tunis• Carthage

Liban • Beyrouth


DI

Collaborations européennes

12

Angleterre• Sheffield• Oxford

Suisse • Martigny

Espagne • Oviedo

Allemagne• Berlin


DI

Projets inter-domaines Fusion distribuée sur véhicules communicants (ASER, RO)

Projets nationaux, européens• IP CVIS, ANR DIAPA :

diagnostic et filtrage pour l’intégrité (ASER)• ANR PERCOIVE : perception

coopérative (ASER, RO )

Co-encadrement de thèse Vision pour la perception robotique (ASER)

Collaborations internes

13


DI

4 Projets Européensdont 3 en cours*

REX PASCAL IREX PASCAL II*, Strep MASH*, IP CVIS* (avec ASER)

6 Projets Nationauxdont 4 en cours*

• ACI Sécurité Behaviour• ANR : ClasSel* (blanc), DIAPA* (Predit, avec ASER),

DIAGHIST* (Predit), GD2GS (MD), PERCOIVE* (JC, avec ASER et RO)

2 Projets Régionauxdont 1 en cours*

HTSCECHOPEDIA*

10 Projets Industrielsdont 2 en cours*

Facing-it, OSAC, PSA, Renault, Solystic, ThalesBASF*, Metrovision*

Projets DI 2006-2010

14


DI

2 brevetsFusion d’informations, fusion pour la reconnaissance d’adresse postale

3 logiciels sous licence GnuGPLMIXMOD, SimpleMKL, SVM & Kernel methods toolbox

Laboratoire communUTC/CNRS/Suez-Environnement SIME

Start-upFacing-it, sur l’analyse de visages,créée en 2006, 4 emplois,prix OSEO émergence 2007

Valorisation et brevets

15


DI

Animation : séminaires, réunions de travail, réunions de domaines Priorités scientifiquesAllocations de thèse Recrutement

Participation à la politique du laboratoireComité de directionConseil scientifiqueConseil du laboratoire

Mise en œuvre de la politique du laboratoireSoutien missions : conférences, écoles thématiquesSoutien publications Suivi planning doctorants

Gouvernance

16


DI




Projet (2012–2015)

17


DI

Axes scientifiquesObjectif

Reconnaissance de formes : analyser des données et des signaux complexes

Axes de rechercheDécision• Raisonnement incertain et fusion

d’informations• Apprentissage statistique

Image• Vision par ordinateur• Images médicales

18


DI

Permanents F. Abdallah, T. Denoeux, M. Masson, B. Quost

Objectif Représenter et manipuler des informations partielles, imprécises, ambigües, entachées d’incertitudes

• épistémiques• aléatoiressur des modèles, données, connaissances a priori, pour des applications en reconnaissance de formes et en fusion d’informations et de décisions.

Orientation de recherche Formalisme des fonctions de croyance

Positionnement IRIT, LIP6, Ensieta, IEF, L2S, IDSIA, Universités de Gand, Grenade, Sapienza, etc.

Axe 1 : Raisonnement incertainet fusion d’informations

19


DI

1. Complexité algorithmiqueExtension des fonctions de croyance à des treillis

2. Fiabilité des sources d’informationOpérateur d’affaiblissement contextuel

3. Fusion, estimation d’étatExtension du filtrage ensembliste

4. Combinaison de sources dépendantesRègles de combinaison prudente et hardie

20



DI

3. Filtrage crédibiliste(a) ensembliste multi-hypothèse, Automatica (2008)(b) extension crédibiliste, IEEE Trans. Syst. Man Cybern. B (2010)

21



DI

4. Combinaison de sources dépendantesArtificial Intelligence (2008)

Règle de Dempster indépendance des sources• Dépendance, redondance des sources

règle idempotente

• Raisonnement indépendant de l’ordre de prise en compte règle associative

• Principe de précaution engagement minimum

Sources fiables règle conjonctive prudenteSources défaillantes règle disjonctive hardie

22



DI

Axe 2 : Apprentissage statistique

23


DI

1. Applications des fonctions de croyance sur des treillisClassification non-supervisée par méthode d’ensembleEtiquettes multiples (multi-label)

2. Classification par partition crédale : ECM

Partition dure → floue → crédaleAppartenance binaire → probabilité → certitude/plausibilité, etc.

3. Classification croisée probabiliste

4. Sélection de paramètres : pénalités parcimonieuses


24


DI

3. Classification croisée probabilisteEur. J. Oper. Res. (2007), Comput. Stat. Data Anal. (2008)

• Extension des modèles de mélange : « blocs latents »

• Adaptation aux données quantitatives, binaires, contingence

• Algorithme EM variationnel


25


DI

4. Pénalités parcimonieusesJ. Mach. Learn. Res. (2008), Mach. Learn. (2010),Stat. Comput. (2011)

Pénaliser : stabiliserParcimonie

• prédictif : a priori « raisonnable »• inférence : interprétable• calculatoire : efficace

Structure : modèles additifs, noyaux, inférence de graphes


26


DI


Principe : les coins


27


DI


Structure : placement de coins


28


DI


PositionnementFonctions de croyance en RdF

Telecom ParisTech, Onera, IEF, Ensieta, Gipsa-lab, Irisa, etc.

Classification croiséeU. T. Austin, Harvard Medical School, U. Louvain, Lisbonne, etc.

Pénalités parcimonieusesInria (Willow), Mines ParisTech, Litis, Stat. et Génome, etc.

29


DI

Permanents V. Frémont, F. Davoine (2006–2007)

Objectifs Analyse de visages sur vidéoPerception 3D pour la détection et le suivi d’objets

en environnement dynamique

Orientations de rechercheCombinaison d’informations spatiales et temporelles éparses

Résultats majeursSuivi temps réel de visage et de gestes faciauxOdométrie visuelle temps réel

PositionnementINPG (e-motion), Sophia (Arobas), LIRMM, LASMEA, LAAS, etc.

Démonstration le 03/02 : Odométrie visuelle, plateforme véhicule intelligent

Axe 3 : Vision par ordinateur

30


DI


31

Odométrie visuelle temps réelIEEE Intelligent Vehicles Symposium (IV’2010), taux de sélection 12%


DI

Odométrie visuelle temps réelIEEE Intelligent Vehicles Symposium (IV’2010), taux de sélection 12%


32


DI

Permanents D. Boukerroui, J.-F. Lerallut

Objectifs Segmenter des images médicales pour l’aide au

diagnostic• Tomographie• Scanner• Ultra-sons

Orientations de recherche Méthodes variationnelles avec a priori• de position• de formecritères d’ajustement de contours déformables peu sensibles au contraste, basés sur les courbes de niveau calculées sur l’information de phase locale

Positionnement MIA, U. Oxford, EPFL, U. Kiel, U. Western Australia

Axe 4 : Images médicales

33


DI

Reconstruction 3D à partir d’echocardiographies pédiatrique 3D : IEEE T. Inf. Technol. Biomed. (2011)


34


DI


35

Reconstruction 3D à partir d’echocardiographies pédiatrique 3D : IEEE T. Inf. Technol. Biomed. (2011)


DI

Faits marquants

Prix• Prix de thèse Guy Deniélou UTC, 2007• Conférences nationales : RFIA’2006, CAp’07• Conférences internationales : FUSION’2007, NAFIPS’2008

Impact des travaux (ISI Web of KnowledgeSM)• 10 articles dans les 10% les plus cités sur 2006–2010• 99 citations pour IEEE Transactions on Medical Imaging• 10 : h-index de l’équipe sur 2006–2010

36


DI




Projet (2012–2015)

37


DI

Renforcer l’ancrage de DI : collaborations avec d’autres thèmesProgrammes inter-domainesProjets communs CVIS, PERCOIVE, DIAPA

Rapprocher la partie « Image » d’ASERUne thèse co-encadrée sur l’odométrie visuelle et le suiviParticipation à la plateforme « véhicule intelligent »

Imagerie médicale : risque de dispersion/marginalisationConseil scientifique : encouragement à rejoindre les activités en visionParticipation au projet « vision »

Suivi des recommandationsdu Comité d’Evaluation 2006

38


DI

Auto-analyse (1/2)

Forces Taux et supports de publication, impact des travauxEmployabilité des doctorantsPrésence de chercheurs CNRS (2 + 1)Implication dans les instances nationales, les activités éditoriales internationales

FaiblessesVisibilité de l’activité « Imagerie médicale »Taille sous-critique de l’activité vision

39


DI

Auto-analyse (2/2)

Opportunités

Nouvelles compétences sur les grandes bases de donnéesProjet LIAMA (Heudiasyc–MP Lab. de l’université de Pékin)Fédération SHIC/CollegiumRelations industrielles à développerLogiciel Mixmod

Menaces

Absence de domaine applicatif fédérateur pour la décisionDifficulté à trouver des doctorants sur les sujets à spectre large

40


DI




Projet (2012–2015)

41


DI

Enjeux et objectifs

1. Intégrer les évolutions technologiques• capacités de stockage et de traitement des calculateurs• coûts des calculateurs et des capteurs de vision• information distribuée, passage à l’échelle (systèmes de systèmes, Labex)

faisabilité des approchesapplicabilité à grande échellenouvelles données et nouveaux problèmes

2. Humain dans la boucle• représentation numérique de l’expertise humaine• synthèse de l’information pour l’utilisateur

42


DI

Axes scientifiques

43

1. Raisonnement incertain et fusion d’informations

2. Apprentissage statistique

3. Apprentissage et incertain pour la vision


DI

Permanents F. Abdallah, T. Denoeux, M. Masson, B. Quost

Objectifs Consolider l’approche crédibiliste, en gérant les incertitudes et leur propagations à tous niveaux. Etablir des principes d’estimation à partir de données incertaines :

• principes analogues au maximum de vraisemblance• sur des données incertaines

Evolutions thématiques 1. Elicitation de croyances2. Fusion distribuée dans les réseaux

Verrous 1. Absence de méthodologie dans le cadre crédibiliste2. Fiabilité, dépendance, synchronisation des sources

Positionnement Formalisme (=), méthodologie (=), distribué (+), connaissances expertes (+)


44


DI

Axe 2 : Apprentissage statistiquePermanents F. Abdallah, A. Bordes, T. Denoeux, G. Govaert,

Y. Grandvalet, M. Masson, B. Quost

Objectifs• Doter la classification croisée d’outils avancés de la classification simple

• Sélection de modèles• Sélection de variables/individus

• Proposer des solutions pour les données délicates à traiter (bruitées, manquantes, imprécises, structurées, de grande taille, creuses, etc.)• Evaluer les apports du formalisme crédibiliste sur ces données, et sur

des problèmes comme l’apprentissage de préférences (ranking)

• Introduire l’apprentissage pour les opérateurs de fusion• Apprentissage continu (life-long learning) : révision des croyances

45


DI

Axe 2 : Apprentissage statistiqueEvolutions thématiques

Critères combinatoiresGrandes bases de donnéesRévision de croyances dans le processus d’apprentissage

VerrousComplexité algorithmique

• Solutions approchées garanties• Solutions exactes à des problèmes proches (approche variationnelle)

Qualification et quantification des performances

Positionnement Parcimonie (-), modèles (=), formalismes (=),non-stationnarité (+), grandes bases (+)

46


DI

Permanents D. Boukerroui, V. Frémont, B. Quost, F. Davoine

Objectifs Perception 3D multimodale pour l’analyse de scène• référencée vision• en environnement fortement dynamique

Evolutions thématiques Gérer les incertitudes, assurer l’intégrité de la perception• de l’extraction des primitives• à la reconstruction 3D : scène, mouvements des objets et du porteur Densification des données

Verrous Gestion des incertitudes en temps réel

Positionnement Epars (-), temps réel (=), confiance (+)

Axe 3 : Apprentissage et incertain pour la vision

47


DI

Collaborations prévuesInternes

ASER : perception robotiqueASER, RO : fusion distribuée sur véhicules communicantsASER, ICI : analyse du gesteSHIC : analyse de données en toxicologie prédictiveCollegium : incertitudes liées au changement climatique

NationalesCRIP5, INRIA Futurs, Statistique & GénomeIRIT, CIRADLIRMM

Internationales Idiap, Martigny, SuisseUniversité de Montréal, CanadaLIAMA, Pékin, Chine « 3D Multimodal Perception and Reasoning »

48


DI

Cibles industrielles

Fusion : Astrium, Thales

Gestion du risque : Suez-environnement, nucléaire

Classification croisée : marketing

Diagnostic, perception : constructeurs et équipementiers automobiles

49


DI

Prises de risqueElicitation de croyance

Compétences sciences humaines : stratégies de recueil, explicitation de connaissances tacites, etc. (Labex)Richesse des fonctions de croyance plus de nombres à éliciterCalibration, fiabilité des experts, conflits d’intérêt, etc.Combinaison

Traitement des incertitudes temps-réel en vision embarquéeDonnées denses : capteurs haute définitionInformations éparses et densesAllocation de ressources Intégrité, dilemme réactivité/confiance

50


DI

51

GRANDVALETYves

BORDES Antoine

GOVAERT Gérard

ABDALLAHFahed

BOUKERROUIDjamal

DUBUISSON Bernard DENOEUX Thierry

FREMONT Vincent

DI

2011

COCQUEREZJean-Pierre

LERALLUTJean-François

MASSON MylèneQUOST

Benjamin


DI

Merci de votre attention

52

Documents

Domaine DI D écision, I mage