BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//GREYC UMR CNRS 6072 - Groupe de Recherche en Informatique, Image, et Instrumentation de Caen - ECPv5.7.0//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:GREYC UMR CNRS 6072 - Groupe de Recherche en Informatique, Image, et Instrumentation de Caen
X-ORIGINAL-URL:https://www.greyc.fr
X-WR-CALDESC:évènements pour GREYC UMR CNRS 6072 - Groupe de Recherche en Informatique, Image, et Instrumentation de Caen
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20220327T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20221030T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20220429T140000
DTEND;TZID=Europe/Paris:20220429T160000
DTSTAMP:20260424T001433
CREATED:20220426T103348Z
LAST-MODIFIED:20230307T085652Z
UID:10838-1651240800-1651248000@www.greyc.fr
SUMMARY:Séminaire IMAGE : "Régularisation spatiale par variation totale sur graphe dans une architecture d’apprentissage profond" (X. Hoarau)
DESCRIPTION:Titre :  \nRégularisation spatiale par variation totale sur graphe dans une architecture d’apprentissage profond \nOrateur :  \nXavier Hoarau \nRésumé : \nNotre objectif est d’intégrer un algorithme réalisant une régularisation spatiale par variation totale\nà l’intérieur d’une architecture d’apprentissage profond. En effet\, il existe des applications ou le résultat\nattendu est régulier spatialement\, par exemple\, la segmentation sémantique d’image est composée en\nsortie de région constante (chaque objet étant représenté par un ensemble de pixels voisin). La\nrégularisation par variation totale a donc pour objectif de minimiser la variation du résultat entre chaque\npixel voisin dans une image\, ou nœud dans un graphe. En plus d’intégrer cet algorithme à l’architecture\,\nnous espérons pouvoir apprendre ses hyperparamètres\, dans notre cas nous travaillons sur un graphe et\nles hyperparamètre sont les poids des arêtes de ce graphe.\nNous avons donc commencé par travailler sur des algorithmes de segmentation sémantique\, en\nparticulier nous avons commencé par un réseau de Convolution encodeur-décodeur\, similaire au Seg_net\nou U_net. Jusqu’alors la régularisation par variation totale ajoutée à ce type de système se faisait soit par\nun post traitement ou dans la Loss par un terme de régularisation.\nNotre objectif est donc de déplacer la régularisation en la faisant au cours de l’inférence. Nous\navons choisi le solveur Cut_Pursuit développé par G. Obozinski\, L. Landrieu and H. Raguet\, il permet un\ncalcul rapide et donne directement un résultat sous forme de composante connexe constante. De plus\, le\ncalcul du gradient de ce type de fonction est possible ce qui rend possible la back propagation et enfin il est\nfait pour travailler sur un graphe quelconque ce qui permettra ensuite de l’adapter à d’autres type de\ndonnées.\nNous étudions en premier exemple des images satellitaires et des données synthétiques\, en\ncherchant dans quelle situation notre solution donne des résultats intéressants\, c’est-à-dire des structures\ndans la répartition des poids pour ensuite chercher les hyperparamètres donnant les meilleurs résultats en\nfonction de la situation.\nUne fois cet exemple étudié nous voulons l’étendre à d’autres type de donnée\, en 3D par exemple\,\nou à d’autres type de tache.
URL:https://www.greyc.fr/event/seminaire-image-regularisation-spatiale-par-variation-totale-sur-graphe-dans-une-architecture-dapprentissage-profond-x-hoarau/
LOCATION:ENSICAEN – Batiment F – Salle F-200\, 6 Bd Maréchal Juin\, Caen\, 14050\, France
CATEGORIES:General,Image,Seminaire Image
END:VEVENT
END:VCALENDAR