42
• Apprentissage non supervisé, génération d’images (modèles génératifs, GAN)
• Multi-taches/adaptation/transfert (classification, détection, segmentation, ...)
• Modèles d’attention visuelle
• Intégration d'informations multimodales (images + texte, son, etc.)
• Exploitation de connaissances a priori
• Représentation des données (géométriques, multivariées, creuses, par dictionnaires, structurées, etc.)
• Explicabilité des résultats
• Constitution de bases d'apprentissage suffisamment importantes (intégrant des spécificités liées au
domaine pour la télédétection, l'imagerie médicale, …)
• Génération automatique d'exemples d'apprentissage
• Images fixes vs. vidéos et 3D+t (reconnaissance d'actions par exemple)
Les enjeux en recherche sont de taille car dès lors que l’on peut doter une machine d’un œil performant (dans un domaine plus ou moins ciblé), sans parler de révolution cambrienne, les applications
industrielles sont très importantes. Au-delà de la reconnaissance, ces méthodes sont maintenant exploitées pour des tâches de plus bas niveau, comme la restauration, le recalage, etc. Le domaine récent
de la co-conception (capteurs + algorithmes) devrait aussi en bénéficier.
Les méthodes inspirées de "l'intelligence humaine" ont donné lieu au développement de méthodes et
algorithmes souvent cantonnés aux tâches de bas niveau pendant longtemps. Pourtant l'importance des
approches linguistiques et de la sémantique a été identifiée dès les années 1960. Ces approches connaissent aujourd'hui un regain d'intérêt et méritent d'être développées, en allant bien au-delà des anciens systèmes experts qui avaient été explorés il y a un temps pour l'interprétation d'images. Les approches associant représentation des connaissances, raisonnement et vision sont donc également un
défi. Ce sujet difficile mais crucial devrait donner lieu à des recherches dans les prochaines années.
Des résultats en termes d'interprétabilité devraient également en découler. Notons enfin les interactions fortes de ce thème avec ceux de la représentation des connaissances et du raisonnement, de la
décision et de la gestion de l'incertitude (pour la modélisation et la prise en compte des incertitudes
inhérentes aux images et aux connaissances, et pour les méthodes de décision), de l'apprentissage, des
ontologies, de la robotique, et potentiellement presque tous les autres thèmes pour les méthodes qui y
sont développées.
Modélisation cognitive et systèmes neuro-informationnels
L’Intelligence Artificielle (IA) est le nom donné à l’ensemble des techniques qui visent à reproduire
dans des machines électroniques les aptitudes sensorielles et cognitives des animaux, de l’homme en
particulier. L’intelligence des êtres vivants est multiple, variée et évolutive. Il en est de même de son
avatar technologique : l’Intelligence Artificielle (IA) qu’il n’est donc pas possible de définir au singulier.
L'intelligence peut toutefois se définir selon deux grandes catégories de facultés. La première intelligence, que nous partageons avec la plupart des espèces animales, est celle qui nous relie au monde
extérieur et nous permet de percevoir, d'apprendre, de reconnaître, d'estimer et de décider. Elle est
centrale à notre capacité d'adaptation et de survie dans un monde toujours fluctuant et son automatisation a été jusqu'ici le principal moteur de l'intelligence artificielle (IA). Grâce aux progrès constants de
la microélectronique, de l'informatique, du traitement du signal, de l'analyse statistique et plus récemment de l'apprentissage profond opérant sur de vastes données (big data), des résultats remarquables
ont été obtenus dans l'automatisation des tâches de perception et de décision.
La seconde intelligence est plus intime. Elle englobe les facultés de l'esprit, celles qui nous permettent
d'imaginer, d'élaborer, d'inventer et d'espérer. Le seul modèle dont nous disposons pour essayer de
reproduire dans une machine les propriétés de cette intelligence créatrice est notre cerveau, dont l'architecture est nettement différente de celle de l'ordinateur classique (mémoire et processus s'y entre-
• Apprentissage non supervisé, génération d’images (modèles génératifs, GAN)
• Multi-taches/adaptation/transfert (classification, détection, segmentation, ...)
• Modèles d’attention visuelle
• Intégration d'informations multimodales (images + texte, son, etc.)
• Exploitation de connaissances a priori
• Représentation des données (géométriques, multivariées, creuses, par dictionnaires, structurées, etc.)
• Explicabilité des résultats
• Constitution de bases d'apprentissage suffisamment importantes (intégrant des spécificités liées au
domaine pour la télédétection, l'imagerie médicale, …)
• Génération automatique d'exemples d'apprentissage
• Images fixes vs. vidéos et 3D+t (reconnaissance d'actions par exemple)
Les enjeux en recherche sont de taille car dès lors que l’on peut doter une machine d’un œil performant (dans un domaine plus ou moins ciblé), sans parler de révolution cambrienne, les applications
industrielles sont très importantes. Au-delà de la reconnaissance, ces méthodes sont maintenant exploitées pour des tâches de plus bas niveau, comme la restauration, le recalage, etc. Le domaine récent
de la co-conception (capteurs + algorithmes) devrait aussi en bénéficier.
Les méthodes inspirées de "l'intelligence humaine" ont donné lieu au développement de méthodes et
algorithmes souvent cantonnés aux tâches de bas niveau pendant longtemps. Pourtant l'importance des
approches linguistiques et de la sémantique a été identifiée dès les années 1960. Ces approches connaissent aujourd'hui un regain d'intérêt et méritent d'être développées, en allant bien au-delà des anciens systèmes experts qui avaient été explorés il y a un temps pour l'interprétation d'images. Les approches associant représentation des connaissances, raisonnement et vision sont donc également un
défi. Ce sujet difficile mais crucial devrait donner lieu à des recherches dans les prochaines années.
Des résultats en termes d'interprétabilité devraient également en découler. Notons enfin les interactions fortes de ce thème avec ceux de la représentation des connaissances et du raisonnement, de la
décision et de la gestion de l'incertitude (pour la modélisation et la prise en compte des incertitudes
inhérentes aux images et aux connaissances, et pour les méthodes de décision), de l'apprentissage, des
ontologies, de la robotique, et potentiellement presque tous les autres thèmes pour les méthodes qui y
sont développées.
Modélisation cognitive et systèmes neuro-informationnels
L’Intelligence Artificielle (IA) est le nom donné à l’ensemble des techniques qui visent à reproduire
dans des machines électroniques les aptitudes sensorielles et cognitives des animaux, de l’homme en
particulier. L’intelligence des êtres vivants est multiple, variée et évolutive. Il en est de même de son
avatar technologique : l’Intelligence Artificielle (IA) qu’il n’est donc pas possible de définir au singulier.
L'intelligence peut toutefois se définir selon deux grandes catégories de facultés. La première intelligence, que nous partageons avec la plupart des espèces animales, est celle qui nous relie au monde
extérieur et nous permet de percevoir, d'apprendre, de reconnaître, d'estimer et de décider. Elle est
centrale à notre capacité d'adaptation et de survie dans un monde toujours fluctuant et son automatisation a été jusqu'ici le principal moteur de l'intelligence artificielle (IA). Grâce aux progrès constants de
la microélectronique, de l'informatique, du traitement du signal, de l'analyse statistique et plus récemment de l'apprentissage profond opérant sur de vastes données (big data), des résultats remarquables
ont été obtenus dans l'automatisation des tâches de perception et de décision.
La seconde intelligence est plus intime. Elle englobe les facultés de l'esprit, celles qui nous permettent
d'imaginer, d'élaborer, d'inventer et d'espérer. Le seul modèle dont nous disposons pour essayer de
reproduire dans une machine les propriétés de cette intelligence créatrice est notre cerveau, dont l'architecture est nettement différente de celle de l'ordinateur classique (mémoire et processus s'y entre-