Descriptif
The course focuses on various advanced topics in the field. Students will delve into areas such as few-shot learning and domain adaptation, exploring techniques that enable models to learn from limited labeled data and adapt to new domains. The course also covers advanced methods for image and video generation and editing, allowing students to gain insights into cutting-edge approaches for creating and manipulating visual content. Classical vision tasks, including object detection and human pose estimation, are extensively studied, providing students with a strong foundation in fundamental computer vision techniques. Additionally, the course delves into video understanding, equipping students with the necessary tools to extract meaningful information from video data. Lastly, students will explore the integration of vision with other sensors, delving into the fusion of visual information with data from other sensing modalities, opening up new possibilities for perception and analysis. The course will be composed of five lectures and two practical sessions.
Objectifs pédagogiques
Acquis d'apprentissageÀ l'issue de l'UE, l'élève sera capable de:
- Concevoir et mettre en œuvre des modèles de vision par ordinateur capables de fonctionner avec des données annotées limitées, en appliquant des techniques d'apprentissage avec peu d'exemples (Few-Shot Learning) et d'adaptation de domaine (Domain Adaptation).
- Utiliser des méthodes avancées de génération d'images pour créer et manipuler des contenus visuels.
- Traiter des données provenant d'autres capteurs, telles que point clouds, avec des algorithmes basés sur des ensembles et des réseaux neuronaux sur des graphes.
- Concevoir et mettre en oeuvre des architectures spécifiques au problème de vision en question (détection, segmentation, estimation de la profondeur)
Compétences de rattachement (et justification)
- BC5.2 – Concevoir un système de traitement de données, d’intelligence artificielle, d’apprentissage machine dans un objectif d’aide à la décision ou de recherche automatique d’information; Justification : Ce cours prépare les étudiants à utiliser des techniques avancées de traitement de données visuelles et d'apprentissage machine pour développer des systèmes intelligents capables de prendre des décisions autonomes.
- BC5.3 – Structurer, dimensionner un système de traitement de données, d’intelligence artificielle, d’apprentissage machine dans un objectif d’aide à la décision ou de recherche automatique d’information; Justification : Ce cours fournit aux étudiants les outils théoriques et pratiques pour structurer et dimensionner efficacement des systèmes de traitement de données et d'IA. Ils acquièrent la capacité de créer des architectures adaptées aux contraintes et aux objectifs spécifiques, tout en optimisant les performances des modèles pour l'aide à la décision automatique.
Diplôme(s) concerné(s)
- Echange international non diplomant
- M2 DS - Data Science
- M2 DATAAI - Data and Artificial Intelligence
- M1 DATAAI - Data and Artificial Intelligence
- Diplôme d'ingénieur
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade européenPour les étudiants du diplôme M2 DATAAI - Data and Artificial Intelligence
Vos modalités d'acquisition :
L’évaluation est basée sur quatre éléments de la présentation finale:
L’étudiant peut expliquer les principales contributions techniques de l’article de recherche.
L’étudiant peut expliquer pourquoi la nouveauté est-elle pertinente pour la littérature.
L’étudiante présente les principaux résultats étayant les contributions.
L’étudiante donne une présentation claire du sujet.
Tous les points sont évalués dans une échelle de 0 à 5. Validation pour Note >=10.
- Crédits ECTS acquis : 2.5 ECTS
Pour les étudiants du diplôme M1 DATAAI - Data and Artificial Intelligence
Vos modalités d'acquisition :
L’évaluation est basée sur quatre éléments de la présentation finale:
L’étudiant peut expliquer les principales contributions techniques de l’article de recherche.
L’étudiant peut expliquer pourquoi la nouveauté est-elle pertinente pour la littérature.
L’étudiante présente les principaux résultats étayant les contributions.
L’étudiante donne une présentation claire du sujet.
Tous les points sont évalués dans une échelle de 0 à 5. Validation pour Note >=10.
- Crédits ECTS acquis : 2.5 ECTS
Pour les étudiants du diplôme Diplôme d'ingénieur
Vos modalités d'acquisition :
L’évaluation est basée sur quatre éléments de la présentation finale:
L’étudiant peut expliquer les principales contributions techniques de l’article de recherche.
L’étudiant peut expliquer pourquoi la nouveauté est-elle pertinente pour la littérature.
L’étudiante présente les principaux résultats étayant les contributions.
L’étudiante donne une présentation claire du sujet.
Tous les points sont évalués dans une échelle de 0 à 5. Validation pour Note >=10.
- Crédits ECTS acquis : 2.5 ECTS
- Crédit d'UE électives acquis : 2.5
Pour les étudiants du diplôme Echange international non diplomant
Vos modalités d'acquisition :
L’évaluation est basée sur quatre éléments de la présentation finale:
L’étudiant peut expliquer les principales contributions techniques de l’article de recherche.
L’étudiant peut expliquer pourquoi la nouveauté est-elle pertinente pour la littérature.
L’étudiante présente les principaux résultats étayant les contributions.
L’étudiante donne une présentation claire du sujet.
Tous les points sont évalués dans une échelle de 0 à 5. Validation pour Note >=10.
- Crédits ECTS acquis : 2.5 ECTS
Pour les étudiants du diplôme M2 DS - Data Science
Vos modalités d'acquisition :
L’évaluation est basée sur quatre éléments de la présentation finale:
L’étudiant peut expliquer les principales contributions techniques de l’article de recherche.
L’étudiant peut expliquer pourquoi la nouveauté est-elle pertinente pour la littérature.
L’étudiante présente les principaux résultats étayant les contributions.
L’étudiante donne une présentation claire du sujet.
Tous les points sont évalués dans une échelle de 0 à 5. Validation pour Note >=10.
- Crédits ECTS acquis : 2.5 ECTS