Pour son 9ème appel, les projets suivants sont financés :

• CLASS :  Collecter une Liste Avec Soumission d’un Survey
  

Laboratoires impliqués : LIRIS, LIP

Le site web « graph classes » https://www.graphclasses.org/ de l’université de Rostok, aujourd’hui porté par l’université de Konstanz, est très utilisé par les chercheurs en théorie des graphes. Il recense des centaines de classes de graphes (1653 à ce jour) avec pour chacune d’elle des informations utiles : inclusions entre classes, algorithmes disponibles dans la littérature pour les graphes de la classe, références bibliographiques, etc. Or, le site ne mentionne pas certaines classes de graphes en lien avec les travaux des deux porteurs et plus généralement de leur communauté. Le but principal du projet est la rédaction d’une synthèse (survey) sur ces classes de graphes, qui permettra une mise à jour du site. Ce travail sera aussi l’occasion pour les deux porteurs de démarrer une collaboration, ce qui renforcera encore les liens entre les équipes Goal du LIRIS et MC2 du LIP.

• Deep Spline : Deep Learning avec des fonctions splines, représentant de Banach et régularisation
  

Laboratoires impliqués : ERIC, LabHC

Les réseaux de neurones profonds sont au centre de nombreuses études actuellement, suite à l’explosion récente des performances liée à la découverte d’architectures performantes et à l’usage de données pléthoriques. La compréhention des raisons théoriques de ces performances a également avancé à un rythme très impressionnant, parallèlement. Une des approches actuelles consiste à introduire des méthodes à noyaux spécifiques approximant conceptuellement les réseaux de neurones, tels les Neural Tangent Kernels. Une nouvelle approche fondée sur les espaces de Banach autoreproduisant vient d’émerger et apporte un regard complémentaire sur la compréhension du fonctionnement. Notre projet consiste à explorer des nouvelles technique de noyaux banachique, tant d’un point de vue théorique qu’algorithmique et d’en exploiter les propriétés encore peu connues actuellement.

• FORTE: Frugal optimization for fast learning through interlacing computer arithmetic and continuos optimization
  

Laboratoires impliqués : CITI, LIP

The FORTE project aims at achieving frugality in neural network training by working at the interface of computer arithmetic and continuous optimization, exploring the design of new mixed numerical precision algorithms to achieve increased performance in a resource-constrained environments. Most of the existing methods in the literature just fix a low precision for the network and hope for the training to converge, which is not always the case. Our approach would rather use variable precision in the computations, changing both in space and time. By a fundamental study of the interplay between efficiency of optimization methods (in terms of convergence rate) and extremely low computing and data precision, we aim at developing a deeper understanding of the performance tradeoffs, and proposing a tool for an efficient design-space exploration and a heuristic for automated precision choices through optimization process.

• HMAPE: Hybrid Models Applied to Process Engineering

Laboratoires impliqués : ERIC, LabHC

L’objectif du projet HMAPE est de développer des modèles de cinétique chimique, dans le cadre d’une collaboration avec IFPEN, en mariant à la fois la modélisation physique du phénomène avec une modélisation machine learning issue des données.

• US-Rec: Ultrasound volume reconstruction of deformable tissues from freehand slice acquisitions

Laboratoires impliqués : CREATIS, LIRIS

Laboratoires impliqués : CREATIS, LIRIS The general context of US-Rec is to assist medical diagnosis and intervention by displaying in augmented reality (AR), in real-time, tissue volumes reconstructed from medical imaging, mainly, ultrasound (US), acquisitions. Several use cases may be considered, such as gynecological surgery assistance (e.g., preoperative localization of non-palpable tumors) or vessel puncture assistance and represent the main sources of inspiration of this project. These applications share common requirements: reconstruct tissue volumes from spatially localized 2D US acquisitions, fuse different imaging modalities and segment the final volumes, consider the tissue deformation, and propose dedicated AR 3D visualizations of the structures of interest. From the user perspective, the general idea is to quickly localize structures in human bodies using ubiquitous and cheap US technologies, in a way that it can be directly used by the practitioner during interventions (without requiring preliminary acquisition such as MRI or CT scans). The aim of US-Rec is to address a particular challenge related to the previously mentioned framework. While manually scanning the tissues with the US probe, the latter deform under the pressure applied by the probe. This deformation is depending both on the force applied with the probe and the elastic properties of the tissues. Currently, we do not take this deformation into account in the 3D reconstruction process. Therefore, the 3D reconstructed volumes may suffer from distortions and inaccuracies. Therefore, the main objective of US-Rec is to include tissue deformation estimation into the 3D reconstruction process.