CS Internship in France: Compatibilité de l'apprentissage par représentations parcimonieuses et de la compression avec pertes / Compatibility between sparse machine learning and lossy compression

Laurent Duval just put out this announcement (in French and to be translated in English soon) :

Internship (2015): learning / compression compatibility

Intitulé de stage

Compatibilité de l'apprentissage par représentations parcimonieuses et de la compression avec pertes [français] (5-6 mois, premier ou second semestre 2015)
 

Internship subject title

Compatibility between sparse machine learning and lossy compression [English, Coming soon] (5-6 months, 2015, first or second semester)

Information

• Description

  De nombreuses expérimentations acquièrent, en flux continu ou par séquence, des signaux ou images caractéristiques d'un phénomène particulier. Des exemples se trouvent à IFPEN dans les données sismiques, l'analyse par contrôle passif par émissions acoustiques (phénomènes de corrosion, diagnostic de batteries), les bancs d'essai moteur (signaux de pression cylindre, caméra rapide), l'expérimentation haut-débit en chimie. Très souvent, ces données sont analysées de manière standardisée par des indicateurs fixés a priori. La comparaison entre différentes expérimentations (par différences, classifications) se réalise le plus souvent sur les indicateurs calculés, sans revenir aux mesures initiales. Le volume croissant de ce type de données, la variabilité des capteurs et des échantillonnages, le fait qu'elles puissent avoir reçu des traitements différents posent deux problèmes distincts : la gestion et l'accès à ces volumes (aspect "big data") et leur exploitation optimale par des méthodes de réduction de dimension d'apprentissage, supervisé ou non (aspect "data science"). Ce projet vise à analyser conjointement les possibilités de représentations comprimées des données et l'extraction d'indicateurs pertinents à différentes échelles caractéristiques, et l'impact du premier aspect (dégradation due à la compression) sur le second (précision/robustesse des indicateurs extraits).
  
  L'objectif du stage est dual. Le premier aspect s'intéressera notamment aux travaux de représentation des signaux/images par des réseaux de convolution à base de techniques multi-échelles (ondelettes) appelés "réseaux de diffusion" (scattering networks), dont les descripteurs (ou empreintes) ont de bonnes propriétés d'invariance en termes de translation, rotation et échelle. Ces descripteurs seront employés à des fins de classification et de détection. Le second aspect portera sur l'évaluation de l'impact de techniques de compression avec pertes sur les résultats précédents, et potentiellement sur le développement de représentations parcimonieuses conjointes aux deux aspects (compression et apprentissage).

  [English, upcoming]

• Encadrement/supervision : Camille Couprie, Laurent Duval (Rueil-Malmaison, 92)
  • Candidature : par email de CV/lettre de motivation à laurent(dod)duval(ad)ifpen(dod)fr et camille(dod)couprie(ad)ifpen(dod)fr
  • Application: email resume/cover letter at laurent(dod)duval(ad)ifpen(dod)fr and camille(dod)couprie(ad)ifpen(dod)fr

Bibliographie/References

• J. Bruna, S. Mallat, Invariant scattering convolution networks, IEEE Trans. on Patt. Anal. and Mach. Int., 2010
• L. Jacques, L. Duval, C. Chaux, G. Peyré, A Panorama on Multiscale Geometric Representations, Intertwining Spatial, Directional and Frequency Selectivity, Signal Processing, 2011
• C. Couprie, C. Farabet, L. Najman, Y. LeCun, Convolutional Nets and Watershed Cuts for Real-Time Semantic Labeling of RGBD Videos, Journal of Machine Learning Research, 2014

 

    Join the CompressiveSensing subreddit or the Google+ Community and post there !
Liked this entry ? subscribe to Nuit Blanche's feed, there's more where that came from. You can also subscribe to Nuit Blanche by Email, explore the Big Picture in Compressive Sensing or the Matrix Factorization Jungle and join the conversations on compressive sensing, advanced matrix factorization and calibration issues on Linkedin.