Les Thèmes de recherche

Associé à l’INRIA Saclay, le centre de la vision numérique, crée en 2011, se situe à l’intersection entre les mathématiques et l’informatique, en quête de modèles mathématiques et de leurs solutions informatiques pour la structuration automatique, l'interprétation et la compréhension de données (visuelles) massives en mettant l'accent sur ​​l'apprentissage automatique, la vision par ordinateur et les modèles discrets en analyse d'images biomédicales.
 

Vision par ordinateur

Reconstruction d’images, détection de frontières, segmentation avec ou sans modèle, estimation et suivi du flot, analyse d’images, reconnaissance d’objets et modélisation 3D à large échelle basée sur une grammaire...

Machine Learning et Optimisation

Auto-apprentissage, modèles graphiques probabilistes, apprentissage à instances multiples, régression à sortie structurée, méthodes à noyaux, apprentissage multitâches, en ligne, ou de transfert...

Analyse d’images biomédicales (équipe galen-inria)

Détection et reconstruction comprimée, détection de tumeurs, segmentation d’organes, recalage et fusion déformables d’images, modélisation longitudinale d’organes, anatomie virtuelle, études de population et la compréhension du cerveau...

Domaines d’application

 

  • Systèmes industriels complexes (automatisation, tri optique, robotique, systèmes de contrôle, contrôle non-destructif) ;
  • Industrie automobile (aide à la conduite, détection de piétons, régulateur automatique de vitesse, aide au stationnement) ;
  • Santé (diagnostique assisté par ordinateur, capteurs multimodaux, exploration de données, imagerie par bio-marqueurs, chirurgie assistée par ordinateur)

 

Partenaires académiques

Institut Gustave Roussy (FR), Kremin-Bicêtre Hospital (FR), Henri Mondor Hospital (FR), European Hospital Georges Pompidou (FR), Pitié-Salpêtrière Hospital (FR), Université Paris-Est Marne La Vallée (FR), École des Ponts-ParisTech (FR), North Caroline State University (USA), Stanford University (USA), StonyBrook University (USA), University of Pennsylvania (USA), University of California at Los Angeles (USA), Sup’Com Tunis (TU), Technical University of Munich (DE), Heriot-Watt University (UK), University of Edinburgh (UK), University College London (UK), Aalto University (Finland), Polithenica University (RO), Ecole Polytechnique de Montreal (CA), University of Toronto (CA), Indraprastha Information Institute of Technology, Hyderabad (IN), Aristotle University of Thessaloniki (GR), Polish Academy of Sciences (PO)
 

Partenariats et collaborations

DATAIA, Digiteo, Medicen
 

Partenaires industriels

  • CEA
  • Essilor
  • General Electric Healthcare
  • Heartflow
  • Safran
  • Schneider Electric
  • SNCF
  • Thales

 

Chiffres clés 2023
 

  • Enseignants-chercheurs et chercheurs: 8
  • Doctorants : 16
  • Personnels techniques et administratifs : 2
  • Publications (source Web of science) : 17

 

Fiche CVN 2023

Télécharger ICI

 

Contact

Site web

Directeur : Jean-Christophe Pesquet

Email : Jean-Christophe.pesquet[at]centralesupelec.fr

Les dernières publications

Article dans une revue
02/01/2025
Performance analysis of a deep-learning algorithm to detect the presence of inflammation in MRI of sacroiliac joints in patients with axial spondyloarthritis
Joeri Nicolaes, Evi Tselenti, Theodore Aouad, Clementina López-Medina, Antoine Feydy, Hugues Talbot, Bengt Hoepken, Natasha de Peyrecave, Maxime Dougados
Article dans une revue
01/01/2025
Robust automatic crater detection at all latitudes on Mars with Deep-learning
Martinez Leonard, Andrieu François, Schmidt Frédéric, Hugues Talbot, Bentley Mark
Article dans une revue
01/01/2025
Multi-Task Convolution Neural Network-Based Lifting Scheme for Image Compression
Tassnim Dardouri, Mounir Kaaniche, Amel Benazza-Benyahia, Gabriel Dauphin
Pré-publication, Document de travail
19/12/2024
How Fair is Your Diffusion Recommender Model?
Daniele Malitesta, Giacomo Medda, Erasmo Purificato, Ludovico Boratto, Fragkiskos D. Malliaros, Mirko Marras, Ernesto William de Luca
Communication dans un congrès
10/12/2024
You Don't Need Domain-Specific Data Augmentations When Scaling Self-Supervised Learning
Théo Moutakanni, Maxime Oquab, Marc Szafraniec, Maria Vakalopoulou, Piotr Bojanowski
Voir toutes les publications du laboratoire sur HAL