Les compétences de l’équipe SIGMA reposent sur des fondements solides en traitement du signal, statistique et apprentissage automatique. SIGMA compte actuellement 15 permanents (dont 1 émérite, 4 chercheurs CNRS, 2 en section 7, 1 en section 6 et 1 en section 17).
SIGMA conçoit et étudie de nouvelles méthodes et algorithmes pour l’extraction d’information utile à partir de mesures physiques. Il s’agit par exemple d’images naturelles, d’observations astronomiques ou en lumière polarisée. Les approches statistiques sont au cœur de l’expertise de SIGMA qui se focalise notamment sur les méthodes d’inférence bayésienne, avec en particulier les méthodes d’échantillonnage de Monte-Carlo. Les objectifs scientifiques sont par exemple l’obtention de garanties sur les erreurs sur les prédictions pour favoriser l’aide à la décision, ou encore la prise en compte de l’hétérogénéité des données lors de la modélisation.
Le traitement et la modélisation statistique des signaux est un dénominateur commun de SIGMA. Parmi les points forts de l’équipe apparaissent notamment les méthodes d’échantillonnage par chaîne de Markov (MCMC) pour les problèmes inverses, les processus ponctuels stochastiques (déterminantaux notamment, les DPP) et la sécurité de l’information multimédia. Ces travaux impliquent des travaux en apprentissage statistique aussi bien pour nourrir des modèles bayésiens pour les problèmes inverses que pour optimiser les performances des méthodes de de protection de l’information.
Les applications les plus courantes de nos activités méthodologiques vont de l’astronomie à l’optimisation de réactions chimiques catalytiques en passant par l’imagerie polarimétrique et la sécurité de l’information multimédia. La cosmologie occupe une place particulière avec la présence d’une chargée de recherche CNRS interdisciplinaire (section 17 de l’INSU) au sein de SIGMA.
Côté formation à la recherche, l’équipe SIGMA entretient des relations fortes avec le master data science (science des données) commun à Centrale Lille Institut, l’IMT Nord-Europe et l’Université de Lille, ainsi qu’avec le parcours de science des données et intelligence artificielle de Centrale Lille.
Illustrations de nos recherches :
Rémi Bardenet
Développement de méthodes de stéganalyse par apprentissage profond afin de répondre au problème d’hétérogénéité dans un cadre opérationnel
Algorithmes asynchrones de MCMC pour de l'inférence Bayésienne rapide
Apprentissage automatique de graphes volumineux basé sur des représentations en réseaux de tenseurs
Stéganalyse et maîtrise des taux d'erreur
Développement de méthodologie de détection fiable pour la stéganalyse en exploitant l'apprentissage actif
Deepfake éthique : ajout de méthode de tatouage au générateurs de deepfakes
Processus ponctuels déterminantaux pour le transport optimal
Méthodes de Monte-Carlo avec processus de Coulomb.
Approche bayésienne et problèmes inverses pour l'estimation des propriété de galaxies
Méthodes tensorielles pour les données multidimensionnelles: Apprentissage et estimation du rang 09/12/2022
Segmentation d'images de microscopie cellulaire par apprentissage profond 16/11/2022
Radiothérapie guidée par IRM via réseaux de neurones profonds 06/10/2021
Echantillonnage des sous-espaces à l’aide des processus ponctuels déterminantaux. 03/11/2020
Méthodes de stéganographie fondées sur la prise en compte du bruit de capteur 12/10/2020
Sur l’échantillonnage des processus déterminantaux RESUME 19/05/2020
Combinaison robuste à la dépendance entre classifieurs dans un contexte d’apprentissage décentralisé 11/10/2018
Inférence Bayésienne adaptative pour la reconstruction de source en dispersion atmosphérique 21/11/2016
Segmentation d'images mammographiques pour l'aide au diagnostique 05/10/2016
Detection de personnes pour des systèmes de videosurveillance multi-caméra intelligents 28/09/2015
Modélisation probabilité d’imprimés à l’échelle micrométrique 18/05/2015
Sur les algorithmes de type Monte-Carlo pour l’inférence Bayésienne. 06/12/2017