mercredi 29 novembre 2017

Heures événement  
09:30 - 10:00 Accueil - Café - Accueil - Café  
10:00 - 10:30 Ouverture des journées - Ouverture des journées  
10:30 - 11:10 Series temporelles, Image et Utilisateurs (Christiane Weber) - (Christiane Weber : DR CNRS)  
11:10 - 12:10 Apprentissage profond (Deep Learning) et séries temporelles : Concepts et mise en oeuvre (Christian Wolf) - Christian Wolf : MCF/HDR Université de Lyon
Présentation des principaux verrous scientifiques actuelles en deep learning avec un accent particulier sur les modèles temporels 		 
12:10 - 12:45 Apprentissage profond (Deep Learning) et séries temporelles : Problématiques et applications à des usages commerciaux (Renaud Allioux) - Renaud Allioux: Société Earthcube  
12:45 - 14:00 Déjeuner (Hall)  
14:00 - 14:45 Apprentissage profond et données spatio-temporelles images (Patrick Gallinari) - -- Les données qui exhibent des dépendances spatio-temporelles sont présentes dans de nombreux domaines (écologie, météorologie, imagerie satellitaire, biologie, médecine, économie, etc.). Ces données sont souvent difficiles à modéliser à cause de la complexité des phénomènes sous- jacents. Le Deep Learning a développé des modèles de séquences pour un ensemble de tâches génériques (classification, prédiction, génération) qui représentent l’état de l’art dans différents domaines applicatifs. La prise en compte spécifique de la dimension spatiale est cependant rarement considérée explicitement, sauf pour quelques problèmes spécifiques. Comment incorporer cette dimension dans les réseaux de neurones, les modèles neuronaux actuels sont-ils aptes à modéliser des phénomènes complexes liés par exemple à l’observation du climat ? L’exposé sera organisé autour de ces questions. Il présentera deux contributions :1) une famille de modèles neuronaux génériques pour la prédiction spatio-temporelle, 2) le développement de modèles physico-statistiques où la prise en compte de connaissances physiques du phénomène étudié est utilisée pour guider le développement d’une architecture neuronale.

-- bf Patrick Gallinari est professeur à l’université Pierre et Marie Curie – Paris 6.
Sa recherche porte sur l’apprentissage statistique avec des applications dans différents domaines comme l’analyse de données sémantiques et la modélisation de données complexes. Ses travaux récents traitent de la modélisation de données structurées (séquences, arbres, graphes). Il dirige une équipe dont la thématique centrale est l’apprentissage de représentations et le Deep Learning (https://mlia.lip6.fr). Dans sa jeunesse il a été un des pionniers du développement des réseaux de neurones en France et en Europe. Il a également été directeur du laboratoire d’informatique de Paris 6 de 2005 à 2013. 		 
14:45 - 15:25 Apprentissage profond de données structurées (Alexandre Allauzen) - Alexandre Allauzen LIMSI Paris-Sud  
15:25 - 15:50 Apprentissage profond et séries temporelles : Comment améliorer les cartes d'occupation des sols: (Raffaele Gaetano) - CIRAD  
15:50 - 16:10 Pause café (Salle Pause)  
16:10 - 17:30 Table ronde 1 : Quels sont les changements potentiellement extractibles par apprentissage profond ? - Quels sont les changements potentiellement extractibles par des méthodes de d'apprentissage profond ?  

jeudi 30 novembre 2017

Heures événement  
09:00 - 09:30 Apprentissage profond pour l'analyse des milieux urbains, bocage ... - Antoine Lefevre  
09:30 - 10:00 CES Artificialisation - Urbanisation : Présentation (Anne Puissant) - Anne Puissant LIVE Université de Strasbourg  
10:00 - 10:20 Pause café (Salle Pause)  
10:20 - 11:30 Table Ronde 2 : Comment les utilisateurs peuvent-ils s’approprier des résultats sous la forme peu classique pour eux, de réseaux de neurones et pour quels usages potentiels ? - Comment les utilisateurs peuvent-ils s’approprier des résultats sous la forme peu classique pour eux, de réseaux de neurones et pour quels usages potentiels ?  
11:30 - 11:50 CES Cartographie de surfaces irriguées - Présentation (Valerie Demarez) - Valerie Demarez CESBIO Université de Toulouse (UPS)  
11:50 - 12:10 Cartographie de surfaces irrigables et irriguées à partir d’images satellitaires à haute résolution spatiale (Valerie Demarez) - Exemple de cartographie du maïs irrigué avec Sentinel1 et Sentinel2 - Valerie Demarez  
12:10 - 13:30 Déjeuner  
13:30 - 14:00 Deep learning et symplification de modèles - Thomas Corpetti  
14:00 - 14:40 Apprentissage profond et télédétection : modèles et applications (Minh Tan) - Minh Tan IRISA  
14:40 - 15:15 Apprentissage profond pour la segmentation d'images satellite haute résolution (Guillaume Charpiat) - Guillaume Charpiat Inria  
15:15 - 16:00 Table Ronde 3 : Quelle granularité pour des objets d’intérêts (pixels vs objets) ? - Animation : Eric Masson  
16:00 - 16:15 Cloture des journées - Le futur ...