Tutoriel 1 : A journey in the challenges of immersive streaming
Résumé : Immersive media are on the rise: the global market for Virtual Reality (VR) is growing rapidly, fueled with the commercialization of affordable headsets and the development of 360° videos opening innovations in story-telling, journalism or remote education. Despite these exciting prospects, the development of VR is persistently hindered by the difficulty to access immersive content through Internet streaming. In this tutorial, we present the challenges of immersive and 360° video streaming currently under intense interest in the industry and research communities. These specifically include projection and compression, definition of Quality of Experience, human attention prediction, and head-motion informed streaming decisions.
Oratrice : Lucile Sassatelli (MCF, UCA, I3S)
Lucile Sassatelli est maîtresse de conférence depuis 2009 à Université Côte d'Azur, et membre du laboratoire I3S. Elle a obtenu en 2008 un doctorat de l'Université de Cergy-Pontoise en codage de canal puis a fait un post-doctorat au MIT en codage pour les réseaux. Elle a obtenu son HDR en 2019. Elle est éditrice associée pour Elsevier Computer Communications et Wiley Transactions on Emerging Telecommunication Technologies.
Au sein du groupe Signal et Réseaux de l’I3S, elle se focalise sur les problèmes de transmission multimédia et spécifiquement sur la réalité virtuelle et augmentée (VR et AR), médias au fort potentiel sociétal mais pour lesquels la transmission sur Internet représente un vrai défi en raison de leurs besoins en débit. Lucile Sassatelli a porté depuis 2017 plusieurs projets interdisciplinaires à l'interface entre réseau, interaction humain machine et cinéma, ayant mené à une déclaration d'invention et à l'obtention d’un prix du forum des industriels MPEG-DASH. En 2019, Lucile Sassatelli a obtenu une chaire de membre junior à l’IUF pour mener sur 5 ans son projet de recherche visant à permettre un large accès à ces contenus immersifs, même en conditions réseau insuffisantes.
Tutoriel 2 : Réseaux de neurones impulsionnels pour la vision par ordinateur
Résumé : Ce tutoriel discutera de l'utilisation des réseaux de neurones impulsionnels pour la vision par ordinateur. Il plaidera en faveur d'un changement de paradigme en la vision par ordinateur et l'apprentissage automatique, par rapport aux méthodes traditionnelles gourmandes en données et en puissance de calcul. Les SNN présentent de nombreuses caractéristiques intéressantes pour ce changement de paradigme, telles que leur entraînement non supervisé avec des règles locales de plasticité synaptiques, et leur implémentation sur du matériel neuromorphique à très faible consommation. Pourtant, un certain nombre de défis restent à relever avant qu'ils ne deviennent une alternative réaliste pour faire face à la demande toujours croissante en vision par ordinateur et en apprentissage automatique. Après une introduction du contexte et de la motivation de ce axe de recherche, quelques modèles de SNN seront décrits, et quelques exemples d’utilisation de ces réseaux seront données en illustration.
Orateur : Jean Martinet (PU, UCA, I3S)
Jean Martinet est Professeur à l’Université Côte d’Azur depuis 2019, rattaché à Polytech Nice Sophia et au laboratoire i3S. Il s’intéresse au machine learning bio-inspiré et à ses applications en vision par ordinateur. Dans ce cadre, il porte un projet européen interdisciplinaire de type CHIST-ERA (2020-2023) qui vise le développement d’une plateforme embarquée de vision événementielle stéréoscopique à l’aide de réseaux de neurones impulsionnels, sur une architecture mixte analogique-digitale dédiée.
Diplômé de l’Université Joseph Fourier de Grenoble en 2004, Jean Martinet a effectué un séjour postdoctoral de 2 ans au National Institute of Informatics de Tokyo au Japon. Il a rejoint en 2007 l’Université de Lille en tant que Maître de Conférences, affecté à l'IUT ‘A’ et au laboratoire CRIStAL. Il a obtenu son HDR en 2016. Entre 2013 et 2019, il a dirigé une équipe de vision par ordinateur de CRIStAL installée dans l'USR IRCICA, et il a participé à la construction de l’un des 4 axes de recherche interdisciplinaire de cette USR, qui s’intéresse aux architectures bio-inspirées pour le traitement de l’information.
Tutoriel 3 : Enjeux et défis des techniques de compression pour les données de simulation massives
Résumé : Quelques décennies après l'émergence des formats de codage pour le multimédia, la compression se redéploie dans le champ des données scientifiques. Qu'il s'agisse d'acquisition, de modélisation ou de méthodes d'apprentissage, les volumes de données numériques sont en inflation. La gestion de ces données massives devient un enjeu dans différents domaines disciplinaires : climatologie, océanographie, mécanique des fluides, biologie, apprentissage, etc. Ce tutoriel s'intéresse à la compression de données employées en simulation numérique et à ses impacts. Ces derniers seront notamment illustrés par des exemples basés sur des maillages tridimensionnels en géosciences.
Orateur : Laurent DUVAL (IR, IFPEN)
Laurent Duval received the state engineering degree in Electrical Engineering from Supélec, the Master of Advanced Studies (DEA) in pure and applied mathematics (number theory, partial differential equations) from Université de Metz, and the PhD degree from Université Paris-Sud (XI), France, in the area of wavelet and filter bank design for seismic data compression. In 1998, he was a research assistant in the Multidimensional Digital Signal Processing (MDSP) Lab at Boston University. He now works as a research amateur at IFP Energies nouvelles (IFPEN) in signal processing, image analysis, data science and machine learning with applications to chemistry, process engineering, bioinformatics, geosciences, and transportation.
Tutoriel 4 : Apprentissage profond 3D (3D Deep Learning)
Résumé : Le succès de l'apprentissage profond dans les domaines de la vision par ordinateur et de l'analyse d'images, de la reconnaissance de la parole et du traitement du langage naturel, a suscité un intérêt récent pour le développement de modèles similaires pour les données géométriques 3D. La généralisation d'architectures à succès telles que les réseaux de neurones convolutifs (CNN) à des données de structure non euclidienne est connue sous le terme générique d'apprentissage profond géométrique. Dans les applications traitant des données 3D, le principal défi de l'apprentissage profond géométrique est de définir les opérations intrinsèques analogues aux opérations de convolution et de «pooling» sur des maillages ou des nuages de points. Ce tutorial présentera les avancées récentes dans ce domaine. Il sera illustré par des exemples basés sur des maillages tridimensionnels de corps humains.
Orateur : Mohamed Daoudi (PU, IMT Lille, CRIStAL)
Mohamed Daoudi est Professeur à l’IMT Lille Douai, il effectue ses recherches au sein du laboratoire CRIStAL. Il a publié plus de 150 papiers dans des conférences et journaux internationaux en vision par ordinateur. Il est éditeur associé des journaux IEEE TMM, JIVC, et Journal of Imaging. Il est fellow IAPR.
