Ce jeudi 20 octobre, la chaire de Nicolas Dobigeon, Fusion-based inference from heterogeneous data, organise deux séminaires qui se tiendront à l’ENSEEIHT, salle des thèses.
Le premier se tiendra de 15h à 16h avec Aline Roumy (Sirocco, INRIA, Rennes)
Réseau de neurones pour des données au delà du cas euclidien : cas des images omnidirectionnelles et application au problème de compression.
Un nouveau défi concerne l’évolution du domaine de définition des données. Par exemple, les vidéos omnidirectionnelles sont définies sur la sphère. Est-il possible de traiter ces données directement sur la sphère ? Notamment avec des réseaux convolutifs profonds (CNN) ? Pour un échantillonnage quasi-uniforme de la sphère issu de l’astronomie (HEALPix), nous définissons une nouvelle convolution et adaptons les outils constitutifs de ces réseaux (stride, aggregation etc..). Concrètement, notre approche permet la convolution avec des filtres anisotropes, qui conservent les détails des données. Nous illustrons l’approche pour la compression d’images omnidirectionnelles.
Le second aura lieu de 16h à 17h avec Ami Wiesel (Hebrew University of Jerusalem)
Deep learning solutions to estimation and detection
In this talk, we will discuss the use of deep learning in statistical signal processing. We will address settings in which the classical solutions are intractable and will propose modern approaches based on neural networks. We will begin with parameter estimation and focus on learning non-linear minimum variance unbiased estimators (MVUE). Next, we will switch to detection theory and focus on learning classifiers with constant false alarm rates (CFAR). In both settings, we provide deep learning methods that achieve these goals in practice, as well as theory that highlights the relations to the classical likelihood based solutions.
French 
English