Apprentissage Profond (Deep Learning) -- Bilan TRECVid 2015

Nous vous rappelons que, afin de garantir l'accès de tous les inscrits aux salles de réunion, l'inscription aux réunions est gratuite mais obligatoire.

Inscriptions closes à cette réunion.

Inscriptions

69 personnes membres du GdR ISIS, et 72 personnes non membres du GdR, sont inscrits à cette réunion.
Capacité de la salle : 180 personnes.

Annonce

Suite au succès impressionnant des méthodes d'apprentissage profond (deep learning) ces dernières années, en particulier en classification d'images et de données multimédia, nous avions organisé en 2015 un atelier deep couplé avec un bilan d'étape de la participation du consortium IRIM à TRECVid.

Nous proposons cette année une deuxième session pour continuer à explorer les avancées de ces méthodes, selon le même schéma.

La matinée sera dédiée à un bilan/perspective TRECVid 2015 de l'action IRIM (tout nouveau participant potentiel peut y assister) et l'après-midi sera consacrée au deep learning.

Nous aurons pour l'occasion un exposé plénier du chercheur Yann LeCun (Facebook AI Research, NYU, Collège de France).

Nous organiserons à la suite une session de posters. Si vous souhaitez présenter vos travaux, merci d'envoyer à Matthieu Cord un titre et un résumé avant le 25 Mars 2016.

Programme

Matin : bilan TRECVid 2015

LIP6 UPMC : T 25-26 -1er, salle 105 (80 places, accès réservé aux personnes inscrites avant le 1er mars).

9h45 Accueil
10h Présentation des résultats de TRECVid 2015, par Georges Quénot (LIG) et J. Benois-Pineau (LABRI)
11h Pause
11h30 Discussion sur TRECVid 2016

Après-midi : apprentissage profond (deep learning)

Amphithéâtre Charpak, tour 22 de la dalle Jussieu (180 places).

14h15 Présentation de cette 2ème session deep learning, par Matthieu Cord (LIP6)
14h30 L'apprentissage profond non-supervisé : questions ouvertes, par Yann LeCun (Facebook AI Research, NYU, Collège de France)
15h45 Pause (MLIA LIP6)
16h Posters

· Caphee : A data-flow utility for Convolutional Networks implementation on FPGA, K. ABDELOUAHAB, UBP

· Deep Learning for Gender Recognition from Faces and Bodies, G. Antipov, Orange Labs

· Détection de visages sur un système embarqué faible consommation, O. Boisard, M. Paindavoine, LEAD, UB

· P-CNN: Pose-based CNN Features for Action Recognition (ICCV 2015), G. Chéron, I. Laptev and C. Schmid, INRIA

· LR-CNN for fine-grained classification with varying resolution, (ICIP 2015) M. Chevalier et al., LIP6 UPMC, Thales

· WELDON: Weakly Supervised Learning of Deep Convolutional Neural Networks (CVPR 2016), T. Durand, N. Thome, M. Cord, LIP6 UPMC

· Deep learning methods for image Super-Resolution, C. Peyrard, Orange Labs

· Context-aware CNNs for person head detection" (ICCV 2015), T.-H. Vu, A. Osokin and I. Laptev, INRIA

· bQBDC : batch Query By Dropout Committee for Deep Active learning, M. Ducoffe, I3S, UNS

· Deep CNN with multiple feature layers for saliency prediction in video, S Chaabouni, J. Benois-Pineau, LABRI

· Learning the structure of deep architectures using L1 regularization, P. Kulkarni, J. Zepeda, Technicolor

· Cost-Sensitive Adaptive Feature Acquisition with Representation Learning, G. Contardo, L. Denoyer, T. Artières, LIP6 UPMC, LIF UAM

17h Fin

Résumés des contributions