Ateliers

Atelier #1 : Réseaux de neurones pour la segmentation d’images en écologie - Imaginecology

Intervenant : Jérémy Fix (CentraleSupélec - LORIA, Jeremy.Fix@centralesupelec.fr)

Date : lundi 28 avril, 9h-12h (3h)

Lieu : CentraleSupélec (salle A305-306), Metz

Nombre max de participants : 20

Contenu :

Dans ce workshop, on commencera par une présentation de quelques architectures de réseaux de neurones populaires pour la détection d'objets et la segmentation sémantique avec éventuellement un rapide rappel de la structure d'un réseau convolutif. On se focalisera sur les réseaux convolutifs et pas les dernières architectures à base de Vision Transformers. On poursuivra par une séance pratique durant laquelle on étudiera la construction d'un réseau U-Net pour la segmentation sémantique binaire sur des images ZooScan. Ce sera l'occasion de voir comment (pré-)traiter de larges images, construire le modèle, déterminer la fonction de pertes et les métriques et entraîner le modèle. Le code fourni sera sous la forme d'un notebook jupyter pré-rempli. Même si la plupart du code sera fourni, pour que le workshop vous soit bénéfique, il faut disposer d'un minimum de connaissances en programmation python et en deep-learning. L'exécution du notebook jupyter se fera sur les clusters de calcul de CentraleSupelec, il vous suffira de disposer d'un navigateur internet pour vous y connecter.

Public visé : écologues intéressé par les approches de traitement automatique d'images.

Intervenants : Arnaud Callebaut (AgroParisTech, arnaud.callebaut@agroparistech.fr) et Lionel Hertzog (IGN, lionel.hertzog@ign.fr)

Date : mercredi 30 avril, 9h-12h (3h)

Lieu : LIEC (salle grenier), campus Bridoux, Metz

Nombre max de participants : 15

Contenu :

Les algorithmes basés sur des arbres de décisions, comme par exemple Random Forest ou Boosted Regression Trees, permettent de produire des modèles non-paramétrique en classification comme en régression. Ces modèles ont de très bonnes capacités prédictives et sont fréquemment utilisés en écologie par exemple pour produire des modèles de distributions ou encore pour classifier des images LiDAR.

Dans cet atelier nous présenterons les concepts derrières ces algorithmes et comparerons leurs performances en fonction des données et des objectifs d’analyses. Lors de sessions de codages interactives sur des jeux de données réels nous verrons comment entrainer ces modèles, interpréter les résultats et optimiser les hyperparamètres.

Public visé : tous les collègues intéressés par les approches "arbres"

Pré-requis : connaissances de base en analyse de donnée et en stats, capacité de coder dans un langage d'analyse tel que R ou Python (l'atelier sera donné en R). Les matériels du cours seront mis à disposition via github.