Bonjour à toutes et à tous,
Nous avons le plaisir de vous annoncer officiellement la 1ère journée thématique sur le deep learning (DL) à INRAE, organisée par le réseau d'animation scientifique 2Neurones, qui se tiendra du mercredi 16 octobre 14h jusqu'au jeudi midi, à Nantes.
(salle 109 de la Halle 6 Ouest - Nantes Université - 42 Rue la Tour d'Auvergne)
L'objectif est de faire se rencontrer les agents INRAE travaillant avec du DL, à les faire échanger sur leurs pratiques, à étudier collectivement l'avenir de cette thématique au sein de l'institut, et pourquoi pas initier des nouvelles collaborations.
L'atelier suivra la formation au deep learning initDL qui se terminera le mercredi midi.
Si vous ne pratiquez pas vraiment encore le DL, n'hésitez pas à vous inscrire à la formation, ainsi qu'à notre atelier.
Programme détaillé :
- mercredi après-midi (14h00-17h30) :
- introduction (14h00-14h15) - Arnaud Ferré
- présentations scientifiques (résumés en bas de page) (14h15-16h45) :
* Hugo GANGLOFF : Testez les PINNs avec Jinns !
* Florent ABDELGHAFOUR : Applications de l'apprentissage profond pour les données spectroscopiques : cas d'études sur les données infrarouges du sol
* (pause)
* Khac-Lan NGUYEN : Phénotypage Haut-débit de la Diversité Génétique des Arbres Fruitiers pour une Meilleure Adaptation
au Changement Climatique (PHADA) - Segmentation des Parties Boisées
* Lucie PETITCOLIN : Le Deep Learning pour la détection visuelle d'abeilles et de fleurs
* Alexandre DEHNE GARCIA : [en attente]
- (courte pause)
- présentations flash de problématiques DL rencontrées dans l'institut (17h00-17h30) :
* Olivier INIZAN : Un début d'approche symbolique pour interpréter des embeddings de graphe de connaissances.
* Thibault VERGNE : Segmentation de spermatozoïdes fluorescents en imagerie microscopique
- mercredi soir (17h30-19h30, mezzanine) : cocktail-dinatoire pris en charge par le réseau d'animation scientifique 2Neurones. (attention : nous devons avoir libéré les lieux pour 19h45)
Après le cocktail-dinatoire, sortie possible en centre-ville pour celles et ceux qui le souhaitent.
- jeudi matin (9h00-12h00) :
- café (9h00-9h45)
- présentation scientifique (résumé en bas de page) :
* Bernard BENET : Utilisation de techniques d'intelligence artificielle pour des mesures du comportement animal dans les élevages (supports)
- présentations des structures et initiatives existantes autour de l'IA (9h45-11h00) :
- Arnaud FERRE : Cartographie de l'IA dans l'institut et en dehors
- Jocelyn DE GOËR DE HERVE : Colab.IA
- Alban THOMAS : recommandation IA dans l'institut
- tour de table et discussions (11h00-12h00)
NB : Il reste quelques "bocaux-repas" pour le midi pour celles et ceux qui le souhaiteraient.
Appel à contribution :
Nous vous invitons dès maintenant à nous déclarer vos intentions de venir y faire une présentation scientifique ou une démonstration d'outil en lien avec le DL (voir formulaire d'inscription).
Inscription :
L'inscription est gratuite mais obligatoire (et limiter à 40 personnes).
Merci de vous inscrire avant le 22 septembre (initialement le 15/09) via le formulaire suivant :
https://framaforms.org/inscription-la-1ere-journee-thematique-sur-le-deep-learning-dl-a-inrae-organisee-par-le-reseau
Interventions (supports des interventions [en cours]) :
Hugo GANGLOFF : Testez les PINNs avec Jinns !
Je vous présenterai Jinns, une librairie Python / JAX autour des réseaux de neurones informés par la physique (PINNs), en développement à MIA Paris Saclay. Les PINNs sont actuellement au cœur de recherches nourries mêlant les modélisations déterministes (EDO / EDP) à l’apprentissage machine et aux statistiques. Je les présenterai brièvement avant de me focaliser sur des exemples d'études menées avec Jinns. Lien vers le package : https://pypi.org/project/jinns/
Florent ABDELGHAFOUR : Applications de l'apprentissage profond pour les données spectroscopiques : cas d'études sur les données infrarouges du sol
En agriculture, la spectroscopie permet de déduire les propriétés physico-chimiques des matériaux grâce à l'interaction lumière-matière. En Agriculture, elle permet de nombreuses applications de suivi non destructif des plantes, des sols et des matières agricoles, comme le phénotypage ou la qualité sécurité des aliments. Historiquement, le traitement des données spectroscopiques repose sur la chimiométrie, discipline issues des statistiques multivariées dédiée à la chimie analytique. Cette discipline repose surtout sur des outils d'algèbre linéaire et les décompositions factorielles. Lorsque les bases de données se diversifient, les hypothèses de linéarité atteignent leurs limites. Dans ce contexte les outils de l'apprentissage profond semblent adaptés. Mes travaux consistent à adapter des architectures de l'état de l'art (issues de l'imagerie ou des séries temporelles) pour traiter les données spectroscopique (1D haute dimensions (250-2000 variables, faibles effectifs <10 000 échantillions ). Je propose un cas d'étude préliminaire sur les données de la spectroscopie du sol (base de données libre ossl). Le but est de faire un benchmark d'approches "naïves" pour la chimiométrie, d’essayer de déterminer les bonnes dimensions et les bonnes pratiques pour la chimiométrie. Je compare les performances obtenues avec des approches classiques de chimiométrie (e.g. PLSR, local-PLS) et 4 Architectures : CuiNet (1 couche conv -> MLP), DeepSpectra (CNN avec couches d'inception), ResNet1D (version vectorielle de ResNEt18 ....101) et ViT1D (adaptation Vec tiny ViT). J'aborde les problèmes d'optimisation des hyperparamètres, d'overfitting , de cout calculation, de data augmentation et de transfer-Learning.
Khac-Lan NGUYEN : Phénotypage Haut-débit de la Diversité Génétique des Arbres Fruitiers pour une Meilleure Adaptation au Changement Climatique (PHADA) - Segmentation des Parties Boisées
Le projet PHADA développe des outils de phénotypage numérique pour accélérer et améliorer l'évaluation des traits des arbres fruitiers, en utilisant des images RVB et la stéréovision. Deux modèles basés sur l'architecture UNet ont été entraînés pour segmenter les parties boisées des arbres : RVB_P, qui intègre l'information de profondeur, et RVB, qui ne l'intègre pas. Le modèle RVB_P, utilisant l'information de profondeur estimée par l’algorithme stéréo IGEV, excelle dans l’élimination des arbres en arrière-plan, tandis que le modèle RVB est plus performant pour détecter les rameaux fins. Une amélioration avec la méthode Marigold est envisagée pour résoudre le problème de détection des rameaux fins rencontré dans IGEV.
Lucie PETITCOLIN : Le Deep Learning pour la détection visuelle d'abeilles et de fleurs
Construction d'un outil de détection d'objets basé sur l'architecture YOLO qui permet d'identifier des fleurs de melons et des abeilles sur un grand nombre d'images afin d'analyser l'attractivité des plantes.
Alexandre DEHNE GARCIA : [en attente]
Bernard BENET : Utilisation de techniques d'intelligence artificielle pour des mesures du comportement animal dans les élevages
La vision artificielle avec l’utilisation de techniques d’Intelligence artificielle (Machine Learning / Deep Learning) permet de réaliser de façon automatique, et sur de longues périodes temporelles, des opérations de détection, de classification, d’identification et des mesures diverses dans différents élevages pour diverses espèces animales (porcins, caprins, ovins, bovins) sur des images ou des vidéos. Les mesures réalisées à partir des données images, permettent d’étudier le comportement des animaux, d’améliorer leur bien être et de veiller au bon déroulement des élevages au cours du temps. Elles peuvent être réalisées en temps différé en analysant des vidéos enregistrées, mais aussi en temps réel pour obtenir des informations en continu, dans des élevages, pour détecter des problèmes de santé sur des animaux ou relever des situations particulières (problèmes d’alimentation, ...). Des grandes bases de données images acquises dans des élevages pendant de longues périodes ont été expertisées et annotées. A partir de ces informations, des réseaux de neurones ont été développés, pour réaliser automatiquement les mesures désirées sur les animaux, dans les élevages considérés, sur des images quelconques acquises.
Neuralement vôtre,
Le comité d'organisation de l'atelier 2Neurones
Bernard Benet, Alban Thomas, Jocelyn De-Goer-De-Herve, Arnaud Ferré
Cette journée sera financée au moins en partie par le département INRAE MathNum.
