Séminaire du 29 avril 2022

Apprentissage de représentations profondes pour l’analyse et l’interprétation d’images

Akrem Sellami, INRIA

Résumé :Dans cet exposé, je présenterai dans une première partie mes travaux de thèse qui portent sur la classification d’images hyperspectrales et la réduction des dimensions. Dans ce contexte, nous avons proposé une nouvelle approche de réduction de dimension adaptative basée sur des techniques d’extraction de connaissances (IA explicabe) permettant de réduire la haute dimensionnalité, de gérer la redondance de l’information et d’améliorer la classification d’images hyperspectrales.

Dans une seconde partie, je présenterai mes travaux de postdoc qui portent sur la fusion d'images IRM multimodales basée sur l’apprentissage de représentations profondes multi-vues pour la prédiction du comportement humain. Dans ce cadre, j’introduirai tout d’abord les objectifs et les fondements méthodologiques clés de l'apprentissage de représentations profondes. Je détaillerai ensuite l’approche proposée qui s’appuie sur les auto-encodeurs multi-vues et l’apprentissage de représentations de graphes. J'aborderai enfin les résultats obtenus sur des images IRM multimodales (task-fMRI et resting-state fMRI).

Mots-clés : Apprentissage profond, analyse d’images IRM, réduction de dimension, extraction de caractéristiques, apprentissage de représentations de graphes, classification d’images.