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:20230326T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20231029T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20230323T140000
DTEND;TZID=Europe/Paris:20230323T160000
DTSTAMP:20260423T040411
CREATED:20230307T085505Z
LAST-MODIFIED:20230307T085505Z
UID:11126-1679580000-1679587200@www.greyc.fr
SUMMARY:Séminaire IMAGE : Fethi Ghazouani (Centre Henri Becquerel de Rouen)\, « Exploitation de l’apprentissage profond multi-modale/tâche/sources pour l’analyse et l’interprétation d’images »
DESCRIPTION:Nous aurons le plaisir d’accueillir Fethi Ghazouani\,  post-doctorant au Centre Henri Becquerel de Rouen\, qui donnera un séminaire IMAGE\, le jeudi 23 mars 2023 à 14h00 en salle F-200.\nTitre:\nExploitation de l’apprentissage profond multi-modale/tâche/sources pour l’analyse et l’interprétation d’images  \nRésumé:\n\nDans une première partie de cette présentation\, j’exposerai mes travaux de postdoc qui portent sur la fusion d’images IRM multimodales basée sur l’apprentissage profonds multi-tâche pour la segmentation et la prédiction de la tumeur cérébrale. Je présenterai tout d’abord l’architecture du modèle Swin Transformer et son principe de calcul de l’auto-attention\, introduit pour réduire la complexité de l’opération d’auto-attention utilisée dans le modèle Vision Transformer (ViT) classique. Je détaillerai ensuite l’approche proposée pour la segmentation d’images multimodales de tumeurs cérébrales\, qui s’appuie sur le modèle Swin Transformer et l’auto-attention locale améliorée. Dans une seconde partie\, je montrerai\, comment il est possible de réaliser une fusion par corrélation multimodale dans l’espace des caractéristiques latentes pour la segmentation de la tumeur et prédiction de la localisation de la récidive de la tumeur cérébrale. Dans cette approche\, le mécanisme d’apprentissage par transfert a été appliqué afin d’améliorer la performance et la précision du modèle dans le cas où les données sont limitées. \nJe terminerai ma présentation par mon thème de recherche actuel au Centre Henri Becquerel : Harmonisation des images TEP (Tomographie par Émission de Positons) multi-sources par apprentissage profond. \nMots-clés : \nApprentissage profond multi-tâche\, analyse d’images multimodales\, Swin Transformer\, auto-Attention.
URL:https://www.greyc.fr/event/seminaire-image-fethi-ghazouani-centre-henri-becquerel-de-rouen-exploitation-de-lapprentissage-profond-multi-modale-tache-sources-pour-lanalyse-et-linterpretatio/
LOCATION:ENSICAEN – Batiment F – Salle F-200\, 6 Bd Maréchal Juin\, Caen\, 14050\, France
CATEGORIES:Image,Seminaire Image
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20230330T140000
DTEND;TZID=Europe/Paris:20230330T160000
DTSTAMP:20260423T040411
CREATED:20230307T090119Z
LAST-MODIFIED:20230307T090119Z
UID:11128-1680184800-1680192000@www.greyc.fr
SUMMARY:Séminaire IMAGE : Louis Filstroff (ENSAI)\, « Multi-Fidelity Bayesian Optimization with Unreliable Information Sources »
DESCRIPTION:Nous aurons le plaisir d’accueillir Louis Filstroff\,  ATER à l’ENSAI (Ecole Nationale de la Statistique et de l’Analyse de l’Information de Rennes)\, qui donnera un séminaire IMAGE\, le jeudi 30 mars 2023 à 14h00 en salle F-200.\nTitre:\nMulti-Fidelity Bayesian Optimization with Unreliable Information Sources \nRésumé:\n\nBayesian optimization (BO) is a powerful framework for optimizing black-box\, expensive-to-evaluate functions. Over the past decade\, many algorithms have been proposed to integrate cheaper\, lower-fidelity approximations of the objective function into the optimization process\, with the goal of converging towards the global optimum at a reduced cost. This task is generally referred to as multi-fidelity Bayesian optimization (MFBO). However\, MFBO algorithms can lead to higher optimization costs than their vanilla BO counterparts\, especially when the low-fidelity sources are poor approximations of the objective function\, therefore defeating their purpose. To address this issue\, we propose rMFBO (robust MFBO)\, a methodology to make any GP-based MFBO scheme robust to the addition of unreliable information sources. rMFBO comes with a theoretical guarantee that its performance can be bound to its vanilla BO analog\, with high controllable probability. We demonstrate the effectiveness of the proposed methodology on a number of numerical benchmarks\, outperforming earlier MFBO methods on unreliable sources. We expect rMFBO to be particularly useful to reliably include human experts with varying knowledge within BO processes.
URL:https://www.greyc.fr/event/seminaire-image-louis-filstroff-ensai-multi-fidelity-bayesian-optimization-with-unreliable-information-sources/
LOCATION:ENSICAEN – Batiment F – Salle F-200\, 6 Bd Maréchal Juin\, Caen\, 14050\, France
CATEGORIES:Image,Seminaire Image
END:VEVENT
END:VCALENDAR