Données Complexes, Apprentissage et Représentations

L’équipe de recherche Vertigo s’intéresse aux problèmes soulevés par la gestion de données à grande échelle, avec une orientation forte vers des données dont la structure, explicite ou non, est complexe et nécessite des techniques spécifiques d’approximation, d’extraction et d’interrogation. Il s’agit de collections d’images, de vidéos, de documents audios ou musicaux. Nos objectifs généraux sont d’extraire de l’information, de construire des techniques d’accès efficaces et de proposer de nouvelles méthodes de gestion de données basées sur le contenu (par opposition aux méta-données décrivant ce contenu).

Axe 1. Grandes bases d’images et de vidéos

Ces recherches s’’inscrivent dans un contexte caractérisé par une croissance explosive de la production de contenus numériques, une révolution du stockage numérique (permettant de conserver – facilement accessibles – des masses de contenus au-delà de l’utilisation pour laquelle ils avaient été produits ou collectés au départ) et le développement rapide des capacités de transmission numérique, qui rend possible la diffusion distribuée et le partage à distance de grands volumes de contenus. Nous nous concentrons sur la structuration, à partir du contenu visuel, de grandes bases d’’images et de vidéos, ainsi que sur la recherche par le contenu dans de telles bases. Nos travaux récentes s’intéressent à l’apprentissage profond dans le domaine de l’image pour la détection des motifs visuels et pour la segmentation sémantique, avec une tendance d’évolution vers le l’analyse sémantique des scènes en prenant en compte les relations structurelles à différents niveaux de localité. Ces approches s’appliquent d’ailleurs très bien aux données de nature différente, comme les données musicales, qui combinent des structures à différentes échelles et sont en général caractérisées par des nombres relativement faibles de données étiquetées par classe.

Axe 2. Informatique musicale

Ces recherches se proposent d’étudier la production de modèles de langages musicaux caractérisant des corpus homogènes de musiques disponibles sous forme symbolique (partitions). Notre perspective est d’enrichir une approche statistique basée sur les données explicites (notes) par un processus d’extraction de connaissances identifiant les éléments du langage musical présents implicitement dans la notation : segmentation en phrases, présence et utilisation de motifs, gestion des dissonances, des cadences, instrumentation et texture. Une autre direction de recherche est le développement de techniques de transcription automatique, conversion d’une performance musicale vers une partition en notation traditionnelle par des modèles de partitions a priori (indépendants de la performance à transcrire), représentant le langage des notations musicales possibles. Ce sont des modèles de langage, composantes essentielles des procédures de traduction automatique ou de reconnaissance des motifs (par analogie avec le traitement de langues).

Publications

2021

Articles de revue

  1. Castillo-Navarro, J.; Le Saux, B.; Boulch, A.; Audebert, N. and Lefèvre, S. Semi-Supervised Semantic Segmentation in Earth Observation: The MiniFrance suite, dataset analysis and multi-task network study. In Machine Learning, 2021. doi  www 

Articles de conférence

  1. Foscarin, F.; Audebert, N. and Fournier-S'niehotta, R. PKSpell: Data-Driven Pitch Spelling and Key Signature Estimation. In International Society for Music Information Retrieval Conference (ISMIR), Online, India, 2021. www 
  1. Le Guen, V.; Yin, Y.; Dona, J.; Ayed, I.; de Bézenac, E.; Thome, N. and Gallinari, P. Augmenting physical models with deep networks for complex dynamics forecasting. In Ninth International Conference on Learning Representations ICLR 2021, Vienne (virtual), Austria, 2021. www 
  1. Dang, C.; Randrianarivo, H.; Fournier-S'niehotta, R. and Audebert, N. Web Image Context Extraction with Graph Neural Networks and Sentence Embeddings on the DOM tree. In GEM: Graph Embedding and Mining - ECML/PKDD Workshops, Bilbao, Spain, 2021. www 

2020

Articles de revue

  1. Besedin, A.; Blanchart, P.; Crucianu, M. and Ferecatu, M. Deep online classification using pseudo-generative models. In Computer Vision and Image Understanding, 201: 103048, 2020. doi  www 
  1. Dupuis, D.; Du Mouza, C.; Travers, N. and Chareyron, G. Real-Time Influence Maximization in a RTB Setting. In Data Science and Engineering, 5 (3): 224-239, 2020. doi  www 
  1. Rosmorduc, S. Automated~Transliteration~of Late Egyptian Using Neural Networks: An Experiment in ``Deep Learning''. In Lingua Aegyptia - Journal of Egyptian Language Studies, 28: 233-257, 2020. doi  www 
  1. rambour, c.; Audebert, N.; Koeniguer, E.; Le Saux, B.; Crucianu, M. and Datcu, M. Flood detection in time series of optical and sar images. In International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLIII-B2-2020: 1343-1346, 2020. doi  www 

Articles de conférence

  1. Foscarin, F.; Mcleod, A.; Rigaux, P.; Jacquemard, F. and Sakai, M. ASAP: a dataset of aligned scores and performances for piano transcription. In ISMIR 2020 - 21st International Society for Music Information Retrieval, Montreal / Virtual, Canada, 2020. www 
  1. Le Cacheux, Y.; Le Borgne, H. and Crucianu, M. Using Sentences as Semantic Representations in Large Scale Zero-Shot Learning. In ECCV 2020 workshop Transferring and adapting source knowledge in computer vision (TASK-CV), Glasgow, United Kingdom, 2020. www 
  1. Le Guen, V. and Thome, N. Probabilistic Time Series Forecasting with Structured Shape and Temporal Diversity. In NeurIPS 2020, Vancouver, Canada, 2020. www 
  1. Le Guen, V. and Thome, N. A Deep Physical Model for Solar Irradiance Forecasting with Fisheye Images. In CVPR OmniCV worshop 2020, Seattle, United States, 2020. doi  www 
  1. Le Guen, V. and Thome, N. Disentangling Physical Dynamics from Unknown Factors for Unsupervised Video Prediction. In Computer Vision and Pattern Recognition 2020 (CVPR), Seattle, United States, 2020. doi  www 
  1. Dubucq, D.; Audebert, N.; Achard, V.; Alakian, A.; Fabre, S.; Credoz, A.; Deliot, P. and Le Saux, B. A real-world hyperspectral image processing workflow for vegetatotion stress and hydrocarbon indirect detection. In XXIV ISPRS Congress, Nice, France, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences XLIII-B3-2020, 2020. doi  www 
  1. Mali, J.; Atigui, F.; Azough, A. and Travers, N. ModelDrivenGuide: An Approach for Implementing NoSQL Schemas. In International Conference, DEXA 2020, pages 141-151, Springer, Bratislava, Slovakia, DEXA 2020: Database and Expert Systems Applications , 2020. doi  www 
  1. Rolland, J-F. c.; Castel, F.; Haugommard, A.; Aubrun, M.; Yao, W.; Dumitru, C. O.; Datcu, M.; Bylicki, M.; Tran, B-H.; Aussenac-Gilles, N.; Comparot, C. and Trojahn dos Santos, C. CANDELA: A Cloud Platform for Copernicus Earth Observation Data Analytics. In IEEE International Geoscience & Remote Sensing Symposium - IGARSS 2020, IEEE, Waikoloa, Hawaii, United States, 2020. www 

2019

Articles de revue

  1. Viard, T. and Fournier-S'niehotta, R. Augmenting content-based rating prediction with link stream features. In Computer Networks, 150: 127-133, 2019. doi  www 
  1. Lajaunie, C.; Renard, D.; Quentin, A.; Le Guen, V. and Caffari, Y. A non-homogeneous model for kriging dosimetric data. In Mathematical Geosciences, 52 (7): 847-863, 2019. doi  www 

Articles de conférence

  1. Viard, T. and Fournier-S'niehotta, R. Encoding temporal and structural information in machine learning models for recommendation. In LEG @ ECML-PKDD 2019, W"urzburg, Germany, 2019. www 
  1. Dupuis, D.; Du Mouza, C.; Travers, N. and Chareyron, G. RTIM: a Real-Time Influence Maximization Strategy. In Web Information Systems Engineering -- WISE 2019, Hong-Kong, China, 2019. doi  www 
  1. Grossetti, Q.; Du Mouza, C. and Travers, N. Community-based Recommendations on Twitter: Avoiding The Filter Bubble. In Web Information Systems Engineering -- WISE 2019, Hong-Kong, China, 2019. doi  www 
  1. Rigaux, P. and Travers, N. Scalable Searching and Ranking for Melodic Pattern Queries. In Intl. Conf. of the International Society for Music Information Retrieval (ISMIR), Delft, Netherlands, 2019. www 
  1. Foscarin, F.; Jacquemard, F. and Rigaux, P. Modeling and Learning Rhythm Structure. In Sound and Music Computing Conference (SMC), Malaga, Spain, 2019. www 
  1. Foscarin, F.; Fournier-S'niehotta, R. and Jacquemard, F. A diff procedure for music score files. In 6th International Conference on Digital Libraries for Musicology (DLfM), pages 7, ACM, The Hague, Netherlands, 2019. www 
  1. Foscarin, F.; Jacquemard, F.; Rigaux, P. and Sakai, M. A Parse-based Framework for Coupled Rhythm Quantization and Score Structuring. In MCM 2019 - Mathematics and Computation in Music, Springer, Madrid, Spain, Proceedings of the Seventh International Conference on Mathematics and Computation in Music (MCM 2019) Lecture Notes in Computer Science, 2019. doi  www 
  1. Le Cacheux, Y.; Le Borgne, H. and Crucianu, M. Modeling Inter and Intra-Class Relations in the Triplet Loss for Zero-Shot Learning. In IEEE International Conference on Computer Vision, IEEE, Séoul, South Korea, 2019. doi  www 

2018

Articles de revue

  1. Raftopoulos, K.; Kollias, S.; Sourlas, D. and Ferecatu, M. On the Beneficial Effect of Noise in Vertex Localization. In International Journal of Computer Vision, 126 (1): 111-139, 2018. doi  www 
  1. Fournier-S'niehotta, R.; Rigaux, P. and Travers, N. Modeling Music as Synchronized Time Series: Application to Music Score Collections. In Information Systems, 73: 35-49, 2018. doi  www 

Articles de conférence

  1. Besedin, A.; Blanchart, P.; Crucianu, M. and Ferecatu, M. Deep Online Storage-Free Learning on Unordered Image Streams. In ECML PKDD: Joint European Conference on Machine Learning and Knowledge Discovery in Databases, pages 103-112, Dublin, Ireland, Communications in Computer and Information Science - ECML PKDD 2018 Workshops 967, 2018. doi  www 
  1. Grossetti, Q.; Constantin, C.; Du Mouza, C. and Travers, N. An Homophily-based Approach for Fast Post Recommendation in Microblogging Systems. In 21st International Conference on Extending Database Technology (EDBT 2018), pages 229-240, Vienne, Austria, 2018. doi  www 
  1. Petit, O.; Thome, N.; Charnoz, A.; Hostettler, A. and Soler, L. Handling Missing Annotations for Semantic Segmentation with Deep ConvNets. In MICCAI workshop DLMIA, Grenade, Spain, 2018. doi  www 
  1. Foscarin, F.; Fiala, D.; Jacquemard, F.; Rigaux, P. and Thion, V. Gioqoso, an online Quality Assessment Tool for Music Notation. In 4th International Conference on Technologies for Music Notation and Representation (TENOR'18), Concordia University, Montreal, Canada, Proceedings of the International Conference on Technologies for Music Notation and Representation -- TENOR'18 , 2018. www 

2017

Articles de conférence

  1. Besedin, A.; Blanchart, P.; Crucianu, M. and Ferecatu, M. Evolutive deep models for online learning on data streams with no storage. In ECML/PKDD 2017 Workshop on Large-scale Learning from Data Streams in Evolving Environments, Skopje, Macedonia, 2017. www 
  1. Cherfi, S. S-s.; Guillotel, C.; Hamdi, F. c.; Rigaux, P. and Travers, N. Ontology-Based Annotation of Music Scores. In Knowledge Capture Conference, pages 1-4, ACM Press, Austin, France, 2017. doi  www 
  1. Si-Said Cherfi, S.; Hamdi, F. c.; Rigaux, P.; Thion, V. and Travers, N. Formalizing quality rules on music notation. An ontology-based approach. In International Conference on Technologies for Music Notation and Representation - TENOR'17, Coruna, Spain, 2017. www 
  1. Rigaux, P. and Thion, V. Quality Awareness over Graph Pattern Queries. In Proceedings of the International Database Engineering & Applications Symposium (IDEAS), Bristol, United Kingdom, 2017. doi  www 

Actions de diffusion scientifique

Publications

Actions de valorisation

Publications

Projets en cours

    Projets passés

      Haut