Différences

Cette page vous donne les différences entre la révision choisie et la version actuelle de la page.

--- brillouin:past-events [2012/09/20 00:03]
Arnaud Dessein [18 septembre 2012]
+++ brillouin:past-events [2013/03/05 11:05] (Version actuelle)
Arnaud Dessein [12 avril 2012]
@@ Ligne 2: / Ligne 2: @@
 Cette page recense les évènements passés du Séminaire Léon Brillouin, en particulier les différentes sessions, mais également certains évènements annexes. Pour lire le résumé d'une session et accéder à des ressources supplémentaires, notamment les transparents et la vidéo, il suffit de cliquer sur la session correspondante pour dérouler les informations disponibles.
+===== 23 octobre 2012 =====
+<hidden onHidden="=== Alain Trouvé ===
+//Coding shape information from a shape space point of view//"
+onVisible="=== Alain Trouvé ===
+//Coding shape information from a shape space point of view//">
+<blockquote>
+In different settings ranging from image processing to medical or biological imaging, various kind of geometrical objects, called hereafter generically as shapes, are emerging and need to be described and processed as infinite dimensional variables. The basic idea of shape space is to put the focus on building proper structure on shapes considered as an ensemble of objects that should be organised as an infinite dimensional smooth manifold. This talk will give a quick overview of what has been be done in this direction through the use of action of groups of diffeomorphisms and mainly right invariant distances. We will show that simple ideas coming from Riemannian geometry can be recast in the shape setting providing a range of practical tools as well as challenging questions in geometry, probability
+and statistics.
+</blockquote>
+</hidden>
+<hidden onHidden="=== Stanley Durrleman ===
+//Statistical anatomical models: how to compute with phenotypes?//"
+onVisible="=== Stanley Durrleman ===
+//Statistical anatomical models: how to compute with phenotypes?//">
+<blockquote>
+Group studies in neuroimaging raise the need for statistical methods to find (in)variants in large data sets of anatomical structures. In this talk, we will present a generic statistical framework that can deal with 3D structural images as well as shapes segmented from images such as white matter fiber tracts, meshes of the cortical structures, sulcal ribbons, etc. The mean is given as a typical anatomical configuration that captures the geometric invariants within the studied population. The variance is described by typical deformations of the mean configuration. The framework relies on the metric of large diffeomorphic deformations in an adaptive finite-dimensional setting. Extension of this framework for the analysis of longitudinal shape data sets will be also presented. The talk will be illustrated by various examples taken from neuroanatomical studies.
+</blockquote>
+{{flowplayer>http://archiprod-externe.ircam.fr/video/VI02031700-345.mp4 640,480 noautoPlay}}
+Téléchargez la [[http://archiprod-externe.ircam.fr/video/VI02031700-345.mp4|vidéo]].
+{{:brillouin:ressources:statistical-anatomical-models.-how-to-compute-with-phenotypes.pdf|Statistical anatomical models: how to compute with phenotypes?}}
+</hidden>
 ===== 18 septembre 2012 =====
 <hidden onHidden="=== Nicolas Le Bihan ===
-//Processus de Poisson sur les groupes de Lie : Diffusion multiple et phase géométrique des ondes polarisées//"
+//Processus de Poisson sur les groupes de Lie : diffusion multiple et phase géométrique des ondes polarisées//"
 onVisible="=== Nicolas Le Bihan ===
-//Processus de Poisson sur les groupes de Lie : Diffusion multiple et phase géométrique des ondes polarisées//">
+//Processus de Poisson sur les groupes de Lie : diffusion multiple et phase géométrique des ondes polarisées//">
 <blockquote>
@@ Ligne 23: / Ligne 54: @@
   * [3] "Anticipations of the geometric phase", M.V. Berry , Physics Today, 43 (12), 1990.
 </blockquote>
+{{flowplayer>http://archiprod-externe.ircam.fr/video/VI02031400-343.mp4 640,480 noautoPlay}}
+Téléchargez la [[http://archiprod-externe.ircam.fr/video/VI02031400-343.mp4|vidéo]].
 {{:brillouin:ressources:processus-de-poisson-sur-les-groupes-de-lie.-diffusion-multiple-et-phase-geometrique-des-ondes-polarisees.pdf|Processus de Poisson sur les groupes de Lie : Diffusion multiple et phase géométrique des ondes polarisées}}
@@ Ligne 28: / Ligne 63: @@
 </hidden>
-<hidden onHidden="=== Jesus Angulo ===
+<hidden onHidden="=== Jesús Angulo ===
-//Quaternion geometric Lp averaging and quaternion local supremum/infimum: Application to bilateral image filtering and morphological processing of RGB-NIR and RGB-Depth images//"
+//Quaternion geometric Lp averaging and quaternion local supremum/infimum: application to bilateral filtering and morphological processing of RGB-NIR and RGB-Depth images//"
-onVisible="=== Jesus Angulo ===
+onVisible="=== Jesús Angulo ===
-//Quaternion geometric Lp averaging and quaternion local supremum/infimum: Application to bilateral image filtering and morphological processing of RGB-NIR and RGB-Depth images//">
+//Quaternion geometric Lp averaging and quaternion local supremum/infimum: application to bilateral filtering and morphological processing of RGB-NIR and RGB-Depth images//">
 <blockquote>
@@ Ligne 40: / Ligne 75: @@
 The third part of the talk deals with the extension of mathematical morphology operators to quaternion images. The lack of natural ordering in non-Euclidean spaces present an inherent problem when defining morphological operators extended to quaternion-valued images. We analyze how a robust estimate of the center of mass can be used to obtain a notion of quaternion local origin which can be used to compute rank based operators in the quaternion tangent space. Hence, the notions of local supremum and infimum are introduced, which allow to define the quaternion dilation and erosion, and other derived morphological operators. The practical interest of these morphological operators is also illustrated using four components images such as RGB-NIR images and RGB-Depth images.
 </blockquote>
+{{flowplayer>http://archiprod-externe.ircam.fr/video/VI02031600-344.mp4 640,480 noautoPlay}}
+Téléchargez la [[http://archiprod-externe.ircam.fr/video/VI02031600-344.mp4|vidéo]].
+</hidden>
 ===== 31 mai 2012 =====
@@ Ligne 58: / Ligne 99: @@
 The brief introductions will be followed by nets of definitions (almost) without results or any proofs. Such a large scale approach does not permit also to present history and applications, but each of the multitude of presented definitions will be traceable and usually we can say more on it upon request.
 </blockquote>
+{{flowplayer>http://archiprod-externe.ircam.fr/video/VI02027700-282.mp4 640,480 noautoPlay}}
+Téléchargez la [[http://archiprod-externe.ircam.fr/video/VI02027700-282.mp4|vidéo]].
 {{:brillouin:ressources:distances-in-pattern-recognition-audio-and-image.pdf|Distances in pattern recognition, audio and image}}
@@ Ligne 71: / Ligne 116: @@
 onVisible="=== Silvère Bonnabel ===
 //Stochastic gradient descent on Riemannian manifolds//">
-Voir la [[http://archiprod-externe.ircam.fr/video/VI02023800-225.mp4 |vidéo]].
 <blockquote>
@@ Ligne 78: / Ligne 121: @@
 </blockquote>
-{{:brillouin:ressources:stochastic-gradient-descent-on-riemannian-manifolds.pdf|Stochastic gradient descent on Riemannian manifolds}}
+{{flowplayer>http://archiprod-externe.ircam.fr/video/VI02023800-225.mp4 640,480 noautoPlay}}
+Téléchargez la [[http://archiprod-externe.ircam.fr/video/VI02023800-225.mp4 |vidéo]].
 </hidden>
@@ Ligne 86: / Ligne 131: @@
 onVisible="=== Yann Ollivier ===
 //Géométrie de l'information pour l'optimisation boîte noire//">
-Voir la [[http://archiprod-externe.ircam.fr/video/VI02023900-226.mp4|vidéo]].
 <blockquote>
 Le problème de l'optimisation boîte noire consiste à rechercher le minimum d'une fonction objectif sur un espace donné (discret ou continu), sans information a priori sur cette fonction. La géométrie de l'information fournit une méthode générique, IGO (information-geometric optimization), pour construire facilement des algorithmes d'optimisation ayant de bonnes propriétés, et en particulier en minimisant le nombre et l'influence de choix arbitraires tels que les choix de représentation de l'espace des solutions. Selon les situations, les algorithmes IGO, soit retrouvent des algorithmes déjà connus dont ils donnent une explication théorique, soit fournissent de nouveaux algorithmes potentiellement plus puissants. En outre, les propriétés spécifiques de la géométrie de l'information et de l'entropie de Kullback-Leibler garantissent, à chaque étape, une perte de diversité minimale pour l'exploration des solutions potentielles : des expériences préliminaires suggèrent en particulier que des méthodes IGO maximisent spontanément la diversité et sont en particulier capables d'explorer simultanément plusieurs solutions concurrentes.
 </blockquote>
+{{flowplayer>http://archiprod-externe.ircam.fr/video/VI02023900-226.mp4 640,480 noautoPlay}}
+Téléchargez la [[http://archiprod-externe.ircam.fr/video/VI02023900-226.mp4|vidéo]].
 {{:brillouin:ressources:information-geometric-optimization-algorithms-a-unifying-picture-via-invariance-principles.pdf|Information geometric optimization algorithms: A unifying picture via invariance principles}}
@@ Ligne 109: / Ligne 156: @@
 onVisible="=== Gabriel Peyré ===
 //Wasserstein methods in imaging//">
-Voir la [[http://archiprod-externe.ircam.fr/video/VI02019300-175.mp4|vidéo]].
 <blockquote>
 In this talk I will review the use of optimal transport methods to tackle various imaging problems such as texture synthesis and mixing, color transfer, and shape retrieval. Representing texture variations as well as shapes geometry can be achieved by recording histograms of high dimensional feature distributions. I will present a fast approximate Wasserstein distance to achieve fast optimal transport manipulations of these high dimensional histograms. The resulting approximate distance can be optimized using standard first order optimization schemes to perform color equalization and texture synthesis. It is also possible to use this optimal transport as a data fidelity term in standard inverse problems regularization. One can try online several ideas related to Wasserstein imaging (as many other imaging methods) by visiting www.numerical-tours.com (computer graphics section). This is a joint work with Julien Rabin, Julie Delon and Marc Bernot.
 </blockquote>
+{{flowplayer>http://archiprod-externe.ircam.fr/video/VI02019300-175.mp4 640,480 noautoPlay}}
+Téléchargez la [[http://archiprod-externe.ircam.fr/video/VI02019300-175.mp4|vidéo]].
 {{:brillouin:ressources:optimal-transport-in-imaging-sciences.pdf|Optimal transport in imaging sciences}}
@@ Ligne 124: / Ligne 173: @@
 onVisible="=== Guillaume Carlier ===
 //Matching, multi-marginals problems and barycenters in the Wasserstein space//">
-Voir la [[http://archiprod-externe.ircam.fr/video/VI02019400-176.mp4|vidéo]].
 <blockquote>
 In the first part of the talk, after recalling some basic facts from optimal transport theory, we will explain how some matching problems arising in mathematical economics are intimately related to optimal transport problems. In the second part of the talk, focusing on the quadratic case, we will relate the problem to a notion of barycenters that generalizes the McCann interpolation to the case of more than two marginals. We will give existence, characterization, uniqueness and regularity results for these barycenters and will consider some examples. This talk will be based on joint works with Martial Agueh and Ivar Ekeland.
 </blockquote>
+{{flowplayer>http://archiprod-externe.ircam.fr/video/VI02019400-176.mp4 640,480 noautoPlay}}
+Téléchargez la [[http://archiprod-externe.ircam.fr/video/VI02019400-176.mp4|vidéo]].
 {{:brillouin:ressources:matching-multi-marginals-problems-and-barycenters-in-the-wasserstein-space.pdf|Matching, multi-marginals problems and barycenters in the Wasserstein space}}
@@ Ligne 141: / Ligne 192: @@
 onVisible="=== Michel Broniatowski ===
 //Weighted sampling, maximum likelihood and minimum divergence estimators//">
-Voir la [[http://archiprod-externe.ircam.fr/video/VI02019500-177.mp4|vidéo]].
 <blockquote>
 On traitera du principe de maximum de vraisemblance dans le contexte de la maximisation de probabilité de grandes déviations entre la mesure empirique associée à un échantillon et un modèle. Le lien sera établi avec les méthodes de minimisation de divergences sous échantillonnage pondéré (de type bootstrap). Réciproquement on montrera qu'à toute divergence dans une large classe de critères statistiques on peut associer un échantillonnage pondéré spécifique sous lequel l'optimisation résout un problème de maximum de vraisemblance ; ces estimateurs, associés à ces procédures d'échantillonnage, sont optimales en divers sens, ce qui amène une discussion sur la comparaison des critères statistiques. Un lien est établi entre divers notions des statistiques mathématiques et des probabilités : principes de grandes déviations, familles exponentielles et leurs fonctions variances, formes variationnelles des critères statistiques.
 </blockquote>
+{{flowplayer>http://archiprod-externe.ircam.fr/video/VI02019500-177.mp4 640,480 noautoPlay}}
+Téléchargez la [[http://archiprod-externe.ircam.fr/video/VI02019500-177.mp4|vidéo]].
 </hidden>
@@ Ligne 154: / Ligne 207: @@
 onVisible="=== Michaël Aupetit ===
 //Apprentissage de la topologie de signaux multi-capteurs//">
-Voir la [[http://archiprod-externe.ircam.fr/video/VI02019600-178.mp4|vidéo]].
 <blockquote>
 Les données multidimensionnelles apparaissent dans de nombreuses applications. Les méthodes classiques de classification non supervisée de ces données sont basées sur des approches purement géométriques (K-moyennes, CAH...) ou sur des modèles de mélange de lois de probabilité (mélanges de gaussienne). Cette dernière famille permet de traiter la classification dans un cadre statistique mais suppose que les classes sont issues de sources ponctuelles perturbées par un bruit gaussien. Nous proposons un modèle génératif dont les sources sont des complexes simpliciaux (assemblage de segments, triangles, tétraèdres...), ce qui permet de modéliser des classes de formes bien plus complexes et d'en extraire des invariants topologiques. Nous détaillerons le fonctionnement de ce modèle et les premières expériences que nous avons menées sur des données réelles.
 </blockquote>
+{{flowplayer>http://archiprod-externe.ircam.fr/video/VI02019600-178.mp4 640,480 noautoPlay}}
+Téléchargez la [[http://archiprod-externe.ircam.fr/video/VI02019600-178.mp4|vidéo]].
 {{:brillouin:ressources:apprentissage-de-la-topologie-de-signaux-multi-capteurs.pdf|Apprentissage de la topologie de signaux multi-capteurs}}
@@ Ligne 177: / Ligne 232: @@
 onVisible="=== Alfred Hero ===
 //Extracting correlations from random matrices: phase transitions and Poisson limits//">
-Voir la [[http://archiprod-externe.ircam.fr/video/VI02019700-179.mp4|vidéo]].
 <blockquote>
-Random matrices arise in many areas of engineering, social sciences, and natural  sciences. For example, when rows of the random matrix record successive samples of a multivariate response the sample correlation between the columns can reveal important dependency structure in the multivariate response.  However, when the number of samples is finite and the number p of columns increases such exploration becomes futile due to a phase transition phenomenon: eventually the sample correlations of most  columns will approach one. In this presentation I will present theory for predicting these phase transitions and present central limit and Poisson limit theorems that can be used to predict finite sample behavior of the sample correlations. The  theory has application in areas including gene expression analysis, remote sensing, and portfolio selection.
+Random matrices arise in many areas of engineering, social sciences, and natural sciences. For example, when rows of the random matrix record successive samples of a multivariate response the sample correlation between the columns can reveal important dependency structure in the multivariate response. However, when the number of samples is finite and the number p of columns increases such exploration becomes futile due to a phase transition phenomenon: eventually the sample correlations of most columns will approach one. In this presentation I will present theory for predicting these phase transitions and present central limit and Poisson limit theorems that can be used to predict finite sample behavior of the sample correlations. The theory has application in areas including gene expression analysis, remote sensing, and portfolio selection.
 </blockquote>
+{{flowplayer>http://archiprod-externe.ircam.fr/video/VI02019700-179.mp4 640,480 noautoPlay}}
+Téléchargez la [[http://archiprod-externe.ircam.fr/video/VI02019700-179.mp4|vidéo]].
 </hidden>
@@ Ligne 223: / Ligne 280: @@
 onVisible="=== Wilfrid Kendall ===
 //Riemannian barycentres: from harmonic maps and statistical shape to the classical central limit theorem//">
-Voir la [[http://archiprod-externe.ircam.fr/video/VI02019900-180.mp4|vidéo]].
 <blockquote>
 The subject of Riemannian barycentres has a surprisingly long history, tretching back to work of Frechet and Cartan. The first part of this talk will be a review of the fundamental ideas and a discussion of the work of various probabilists and statisticians on applications of the concept to probabilistic approaches to harmonic map theory and statistical shape theory. I will then present some recent joint work with Huiling Le concerning central limit theory for empirical barycentres, which to our considerable surprise has led us to a new perspective on the classical Lindeberg-Feller central limit theorem.
 </blockquote>
+{{flowplayer>http://archiprod-externe.ircam.fr/video/VI02019900-180.mp4 640,480 noautoPlay}}
+Téléchargez la [[http://archiprod-externe.ircam.fr/video/VI02019900-180.mp4|vidéo]].
 </hidden>
@@ Ligne 278: / Ligne 337: @@
 onVisible="=== Xavier Pennec ===
 //Current issues in statistical analysis on manifolds for computational anatomy//">
-Voir la [[http://archiprod-externe.ircam.fr/video/VI02020000-181.mp4|vidéo]].
 <blockquote>
@@ Ligne 290: / Ligne 347: @@
 In infinite dimensions, the question of the metric choice is crucial. In deformation-based morphometry, for instance, one may consider many different models of deformations, with potentially different results. We will shortly review some of them (static velocity fields, Riemannian elasticity) and, time permiting, finish with extensions of the previous methodologies to longitudinal evolution estimations in populations, which is currently becoming one of the very active topic. Through this guided tour of some of the current methods in computational anatomy, I will try to sketch the most important theoretical and practical challenges which could be the basis for future developments in information geometry.
 </blockquote>
+{{flowplayer>http://archiprod-externe.ircam.fr/video/VI02020000-181.mp4 640,480 noautoPlay}}
+Téléchargez la [[http://archiprod-externe.ircam.fr/video/VI02020000-181.mp4|vidéo]].
 {{:brillouin:ressources:current-issues-in-statistical-analysis-on-manifolds-for-computational-anatomy.pdf|Current issues in statistical analysis on manifolds for computational anatomy}}
@@ Ligne 299: / Ligne 360: @@
 onVisible="=== Frank Nielsen ===
 //The Burbea-Rao and Bhattacharyya centroids//">
-Voir la [[http://archiprod-externe.ircam.fr/video/VI02020100-182.mp4|vidéo]].
 <blockquote>
@@ Ligne 311: / Ligne 370: @@
 Frank Nielsen, Sylvain Boltz: The Burbea-Rao and Bhattacharyya Centroids. IEEE Transactions on Information Theory 57(8): 5455-5466 (2011)
 </blockquote>
+{{flowplayer>http://archiprod-externe.ircam.fr/video/VI02020100-182.mp4 640,480 noautoPlay}}
+Téléchargez la [[http://archiprod-externe.ircam.fr/video/VI02020100-182.mp4|vidéo]].
 {{:brillouin:ressources:the-burbea-rao-and-bhattacharyya-centroids.pdf|The Burbea-Rao and Bhattacharyya centroids}}