Aller au menu Aller au contenu
Une voie, plusieurs choix
Informatique et Mathématiques appliquées
Une voie, plusieurs choix

> Formation > Cursus ingénieur

Comprendre les données visuelles à grande échelle - 5MMDVGE7

A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail cet article Facebook Twitter Linked In
  • Volumes horaires

    • CM : 18.0
    • TD : -
    • TP : -
    • Projet : -
    • Stage : -
    • DS : -
    Crédits ECTS : 1.5
  • Responsables : Karteek ALAHARI, Diane LARLUS

Objectifs

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

En particulier, le cours couvre les sujets suivants :

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

Prérequis

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

Contrôles des connaissances

CONTRÔLE CONTINU :
Type d'évaluation (ex : TP, assiduité, participation) : mini-examens sur un article présenté par des élèves

SESSION NORMALE :
Type d'examen (écrit, oral, examen sur machine) : examen écrit
Salle spécifique :
Durée :
Documents autorisés (ex : aucun, résumé feuille A4 manuscrite, dictionnaires, tous documents) : polycopié de cours, notes de cours
Documents interdits (ex : livres, tous documents) :
Matériel (ex : calculatrices):

  • matériel autorisé, préciser :
  • matériel interdit, préciser :
    Commentaires :

SESSION DE RATTRAPAGE :
Type d'examen (écrit, oral, examen sur machine) : écrit ou oral
Salle spécifique :
Durée :
Documents autorisés (ex : aucun, résumé feuille A4 manuscrite, dictionnaires, tous documents) : polycopié de cours, notes de cours
Documents interdits (ex : livres, tous documents) :
Matériel (ex : calculatrices):

  • matériel autorisé, préciser :
  • matériel interdit, préciser :
    Commentaires :

N1=80%EXAM1+20%QUIZ/CC
N2=80%EXAM2+20%QUIZ/CC

Calendrier

Le cours est programmé dans ces filières :

  • Cursus ingénieur - Filière MMIS - Semestre 9
cf. l'emploi du temps 2022/2023

Informations complémentaires

Code de l'enseignement : 5MMDVGE7
Langue(s) d'enseignement : FR

Le cours est rattaché aux structures d'enseignement suivantes :

Vous pouvez retrouver ce cours dans la liste de tous les cours.

Bibliographie

Plus de references sont sur le site web : https://project.inria.fr/bigvisdata/

Y. Lecun, Cours au College de France, http://www.college-de-france.fr/site/yann-lecun/course-2015-2016.htm

H. Wang, A. Kläser, C. Schmid, L. C.-Lin, Action Recognition by Dense Trajectories, CVPR 2011

H. Jégou, M. Douze, C. Schmid, Hamming embedding and weak geometric consistency for large scale image search, ECCV 2008

G. Csurka, C Dance, L Fan, J Willamowski, C Bray, Visual categorization with bags of keypoints, ECCV Workshop 2004

J. Sivic and A. Zisserman, Video Google: A Text Retrieval Approach to Object Matching in Videos, ICCV 2003

D. Lowe, Distinctive image features from scale-invariant keypoints, IJCV 2004

A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail cet article Facebook Twitter Linked In

mise à jour le 18 juin 2017

anglais
Grenoble INP - Ensimag
École nationale supérieure d'informatique et de mathématiques appliquées
681, rue de la passerelle - Domaine universitaire - BP 72
38402 SAINT MARTIN D'HERES
 
 
République Française         Groupe INP Logo de la Commission des titres d'ingénieur (CTI)
    Université Grenoble Alpes