Comprendre les données visuelles à grande échelle - 5MMDVGE7

Objectif(s)

Images, vidéos et plus généralement données visuelles dans leurs différentes formes, se sont imposées comme un moyen privilégié d’acquérir et d’échanger de l’information, en particulier sur les réseaux sociaux. Or, ce type de données nécessite des représentations dédiées. En effet, un contenu visuel tel qu’une photographie est aussi riche qu’il est ambigu. Il est important de développer des représentations visuelles adaptées au support visuel d’entrée (photographies, vidéos, etc.) mais aussi adaptées à la tâche à laquelle ces représentations visuelles seront appliquées. De plus, une même représentation pourra être utilisée pour plusieurs tâches d’analyse complémentaires, de façon séquentielle, ou simultanée. Il s’agit donc de créer une représentation qui tienne compte de toutes ces contraintes, et qui puisse évoluer au cours du temps, si ces contraintes elles-mêmes évoluent. Ce cours, à l’intersection de la vision par ordinateur et de l’apprentissage automatique, propose une introduction aux différentes techniques de représentations visuelles et de leurs modèles associés, ainsi qu’aux techniques de mise à jour continue de ces modèles. Le cours couvrira en particulier: l’apprentissage supervisé, semi-supervisé, et auto-supervisé de représentations visuelles, l’adaptation de domaine, les approches pour contrer le problème dit de l’oubli catastrophique. Il couvrira principalement les images naturelles et les séquences vidéos, mais les techniques abordées restent valables pour d’autres types de données visuelles.

Ce cours est donné par deux chercheurs qui travaillent dans les domaines de la vision par ordinateur et de l’apprentissage automatique, respectivement à Inria Grenoble (Karteek Alahari), et au centre de recherche européen de NAVER LABS (Diane Larlus). Les deux enseignants contribuent de leur expertise en recherche académique mais aussi industrielle lors de la présentation de ce cours. Ils présenteront les dernières techniques du domaine, en s’appuyant sur des articles de recherche récents.

Contenu(s)

En particulier, le cours couvre les sujets suivants :

• Apprentissage de représentation de données visuelles
• Adaptation de domaine
• Apprentissage continu
• Reconnaissance d'actions
• Detection, segmentation

culture de base en statistique, informatique (structures de données et algorithmique) et traitement d’images.