Aller au contenu
Chargement Évènements

« Tous les Évènements

  • Cet évènement est passé

Journée commune des fédérations Normandie-Mathématiques et Normastic, du Pôle SN et de la Grad’School MINMACS

24 février 2022 @ 9 h 00 min - 17 h 00 min

Les fédérations Normandie-Mathématiques et Normastic, le Pôle SN de la région Normandie et la Grad’School MINMACS organisent le jeudi 24 février 2022 une journée scientifique commune qui se tiendra à l’UFR des Sciences et Techniques de l’Université de Rouen Normandie, sur le site du Madrillet (Saint-Étienne du Rouvray).

Programme

  • 9h-9h15 accueil
  • 9h15-9h55 Stéphane Canu : L’IA appliqué à la conduite : le deep learning dans les véhicules autonomes
  • 10h-10h40 Hasnaa Zidani : Analyse d’atteignabilité et planification de trajectoires
  • Pause café
  • 11h-11h40 Frédéric Jurie : Apprentissage incrémental semi-supervisé pour les applications de vision artificielle
  • 11h45-12h25 Tuan Ngo Dac : Valeurs zêta multiples
  • Pause déjeuner, posters de doctorants
  • 14h30-16h30 Présentation des projets RIN en cours
    • 14h30-15h :  Arnaud Ducrot, Projet « Modélisation et Analyse des Systèmes Complexes en Biologie » (Masycomb)
    • 15h-15h30 : Edwige Pissaloux et Abderrahim El Moataz , Projet « Guide Muséal »
    • 15h30-16h :  Bruno Deschamps, Projet « Théorie Inverse de Galois Non Commutative » (Tiganoco)
    • 16h-16h30 : Alexandre Pauchet (à confirmer), Projet « Interaction Naturelle avec des Compagnons Artificiels » (INCA)

Lieu

Les exposés du matin et de l’après-midi se tiendront dans l’amphi D (amphi Germain), la pause déjeuner et la présentation des posters auront lieu dans la salle d’examen.

 

Résumés des exposés :

Stéphane Canu : L’IA appliqué à la conduite : le deep learning dans les véhicules autonomes / AI for driving: deep learning in autonomous vehicles

De Tesla à Waymo en passant par Stellantis, Renault, Mobileye et Valéo, la plupart des acteurs du monde de l’automobile revendiquent l’intégration de l’intelligence artificielle dans leurs produits. Mais de quelle IA parle-t-on ? A partir d’une vision historique, nous retracerons les principales étapes de l’introduction de l’IA dans les véhicules. Nous ferons ensuite un bilan de l’existant en précisant les techniques utilisées et les performances obtenues, en insistant sur les différences entre aide à la conduite et véhicule autonome. Nous finirons par passer en revue les principaux challenges et questions ouvertes liées à la conduite autonome en termes de perception, d’aide à la décision et de mise en œuvre de cette IA embarquée.

English version

From Tesla to Waymo via Stellantis, Renault, Mobileye and Valéo, most players in the automotive world claim to have integrated artificial intelligence in their products. But which type of AI are we talking about? From a historical perspective, we will retrace the main stages of the introduction of AI in vehicles. We will then take stock of the existing situation, specifying the techniques used and the performances obtained, emphasizing the differences between driver-assistance systems and autonomous vehicles. We will end by reviewing the main challenges and open questions related to autonomous driving in terms of perception, decision support and implementation of this embedded AI.

Hasnaa Zidani : Analyse d’atteignabilité et planification de trajectoires

Motivés pas de nombreuses applications réelles, la planification de trajectoires et l’analyse d’accessibilité pour des systèmes dynamiques non-linéaires ont été beaucoup étudiés dans la théorie du contrôle. Nous présenterons un cadre général basé sur une approche de contrôle optimal et sur la résolution d’équations de type Hamilton-Jacobi. Cette approche fournit un outil très efficace pour traiter de nombreux cas rencontrés dans des applications réelles, notamment le problème des cibles et/ou obstacles en mouvement, dynamique systèmes sous incertitudes, ou jeux à somme-nulle.

 

Frédéric Jurie : Apprentissage incrémental semi-supervisé pour les applications de vision artificielle/ Semi-supervised incremental learning for computer vision

L’apprentissage incrémental propose un nouveau paradigme d’apprentissage pour les réseaux de neurones artificiels. Il vise à développer des systèmes capables d’enrichir leurs connaissances et leurs compétences après la phase d’entraînement initiale. Ce schéma d’entraînement est particulièrement intéressant pour des applications liées à un domaine de connaissances évolutif ou très étendu. Pour qu’une solution soit adaptée à l’apprentissage incrémental, le modèle doit remplir deux conditions : être capable d’apprendre la nouveauté et retenir ce qui a été précédemment appris, i.e. prévenir l’oubli catastrophique des acquis. Ce deuxième point est une problématique majeure des réseaux de neurones artificiels. L’ajout de nouvelles connaissances en incrémental vient écraser les précédentes. Nous proposons de traiter l’apprentissage continu du point de vue du domaine de l’apprentissage des représentations. En supposant l’existence de données non-annotées accessibles par le modèle pendant l’apprentissage, nous proposons des approches incrémentales semi-supervisées. Nous montrons qu’exploiter des données annexes permet de régulariser le modèle pendant le processus incrémental. Via la semi-supervision, les modèles proposés exploitent les représentations améliorées pour faciliter l’apprentissage de la nouveauté, mais aussi pour stabiliser les poids face à l’oubli catastrophique.

English version
Incremental learning introduces a new learning paradigm for artificial neural networks. It aims at developing systems capable of enriching their knowledge and skills after the initial training phase. This learning scheme is particularly interesting for applications related to an evolving or very large knowledge domain. For a solution to be suitable for incremental learning, the model must fulfill two conditions: it must be able to learn novelty and retain what has been previously learned, i.e. prevent catastrophic forgetting. This second point is the major issue inherent to artificial neural networks. The addition of new knowledge in an incremental way overwrites the one currently stored in the model. In this thesis, we propose to tackle continuous learning from the point of view of the representation learning field. Assuming the existence of unlabeled data accessible by the model during training, we propose semi-supervised incremental approaches. We show that exploiting ancillary data allows to regularize the model during the incremental process. Via
semi-supervision, the proposed models exploit the improved representations to facilitate learning the novelty, but also to stabilize the weights against catastrophic forgetting.

 

Tuan Ngo Dac : Valeurs zêta multiples

Les valeurs zêta multiples sont des nombres réels positifs qui ont fait l’objet des travaux d’Euler à la fin du XVIIIe siècle. Elles généralisent les valeurs de la fonction zêta de Riemann aux entiers positifs et apparaissent naturellement dans le calcul de leurs produits. De manière surprenante, ces nombres réels particuliers sont omniprésents dans plusieurs théories mathématiques et physiques. Par exemple, ils sont liés aux périodes des motifs mixtes de Tate, et aux valeurs des intégrales de Feynman dans la théorie quantique des champs. Ces propriétés, ainsi que d’autres, ont fait des valeurs zêta multiples le centre d’études intensives, en particulier au cours des trois dernières décennies.

Dans un premier temps, nous faisons une introduction à ces nombres fascinants. Puis nous présentons des résultats spectaculaires de Terasoma, Deligne-Goncharov et Brown. Si le temps le permet, nous parlerons des résultats sur les valeurs zêta multiples en caractéristique positive.

[osm_map_v3 map_center= »49.3847,1.0686″ zoom= »16.0″ width= »100% » height= »450″ map_border= »thin solid grey » tagged_param= »cluster » tagged_color= »black »]

Détails

Date :
24 février 2022
Heure :
9 h 00 min - 17 h 00 min

Lieu

Site du Madrillet
685 Avenue de l’Université
Saint Etienne du Rouvray, 76801