Date : Jeudi 8 mai 2025
Heure : 13h à 14h, heure de l’Est
Lieu : Sur Zoom
Rejoignez-nous pour le prochain séminaire NISS-INCASS sur la science des données collaboratif, intitulé « From MPEG-4 to Deep Learning : Transforming Audio-Visual Analytics for Healthcare and Beyond ». Ce séminaire explorera l’évolution de l’analyse audiovisuelle, des normes de compression traditionnelles comme MPEG-4 et H.264 aux approches modernes de l’apprentissage profond permettant la détection d’objets en temps réel, la reconnaissance d’actions et les applications de santé intelligentes. Les avancées en l’apprentissage profond ont considérablement redéfini notre façon de traiter les données image, vidéo et audio, rendant possibles des innovations telles que la surveillance robotisée des patients et les assistants médicaux à commande vocale. Souvent appelées « technologie orange », ces techniques intégrées améliorent la qualité de vie en milieu médical et transforment le paysage de la santé et au-delà. Ne manquez pas cette occasion de découvrir comment les méthodes classiques et modernes convergent pour façonner l’avenir de la science des données audiovisuelles.
Au cours des deux dernières décennies, le traitement d’images et de vidéos a connu une transformation révolutionnaire. Les normes traditionnelles telles que MPEG-4 et H.264 ont posé les bases d’un stockage et d’une transmission efficaces en exploitant l’estimation de mouvement, les transformations par blocs et le codage prédictif. Plus récemment, les modèles avancés d’apprentissage profond ont considérablement redéfini ce domaine, offrant une plus grande précision et une compréhension plus approfondie des données visuelles. Par exemple, des architectures comme YOLO permettent la détection d’objets en temps réel et facilitent des tâches telles que le suivi de zones d’intérêt, la reconnaissance d’actions et le résumé vidéo. Parallèlement, les techniques de codage multi-vues, autrefois basées sur des fonctionnalités artisanales, bénéficient désormais d’une optimisation basée sur les données qui exploite la cohérence spatio-temporelle. Cela a permis une estimation de mouvement robuste, des prédictions inter/intra-images améliorées et un éventail d’applications élargi bien au-delà de la compression. De plus, l’intégration du traitement d’images et de vidéos basé sur l’apprentissage profond à l’analyse des signaux sonores ouvre la voie aux agents robotiques dans le secteur de la santé, utilisant les flux de caméras pour la surveillance des patients et les signaux acoustiques pour les commandes vocales. Souvent qualifiées de « technologie orange », ces approches synergétiques améliorent la qualité de vie en milieu médical. Ce séminaire explore la transition de la compression classique vers l’apprentissage profond avancé et met en évidence la convergence de ces paradigmes pour stimuler l’innovation dans les domaines de la santé, de la robotique et au-delà.
Le Dr An-Chao Tsai a obtenu son doctorat en génie électrique à l’Université nationale Cheng Kung de Taïwan en 2010. Il est actuellement professeur associé au sein du programme international de master en technologies de l’information et applications de l’Université nationale Pingtung de Taïwan. Ses recherches portent sur l’intelligence artificielle, la réalité virtuelle et l’IAoT. Le Dr Tsai a largement contribué aux applications médicales basées sur l’IA, à l’analyse de précision agricole et à la vision par ordinateur. Ses travaux récents portent sur l’analyse cutanée basée sur l’IA utilisant des réseaux antagonistes génératifs conditionnels pour le diagnostic du mélasma, la classification en temps réel des larves de mouche soldat noire pour une gestion durable des déchets alimentaires, et les systèmes agricoles intelligents basés sur l’IoT pour optimiser la productivité agricole. En tant que membre senior de l’IEEE, le Dr Tsai est président du programme et du programme de la Conférence internationale de l’IEEE sur les technologies orange depuis 2015. Ses recherches interdisciplinaires intègrent l’IA, l’IoT et l’apprentissage profond pour des applications pratiques et concrètes dans les domaines de la santé, de l’agriculture intelligente et de l’éducation.
Dr. Anand Paul est professeur associé au département de biostatistique et de science des données de l’École de santé publique du Centre des sciences de la santé de l’Université d’État de Louisiane. Il a obtenu son doctorat en génie électrique et informatique de l’Université nationale Cheng Kung, à Taïwan, en République de Chine, en 2010. Ses recherches portent sur l’analyse du Big Data, l’intelligence artificielle (IA) et l’apprentissage automatique, avec un accent particulier sur l’intelligence résiliente et robuste, notamment l’IA générative et l’intelligence artificielle générale. Le Dr Paul a été reconnu parmi les 2 % des meilleurs scientifiques mondiaux par l’Université de Stanford et Elsevier Publisher pour les années 2022 et 2024. Il est membre senior de l’IEEE depuis 2015. Outre ses recherches, le Dr Paul a été rédacteur en chef de plusieurs revues prestigieuses du SCIE, notamment IEEE Access, Computer Animation and Virtual Worlds, ICT Express, PeerJ Computer Science, Cyber-Physical Systems (Taylor & Francis), l’International Journal of Interactive Multimedia and Artificial Intelligence et l’ACM Applied Computing Review. Il a également occupé le poste de président du comité de suivi pour l’interaction homme-machine intelligente à l’ACM SAC de 2014 à 2019.
Dr. Qingzhao Yu est professeure de biostatistique et de science des données et doyenne associée à la recherche à l’École de santé publique de l’Université d’État de Louisiane (LSU) Health-New Orleans. En tant que chercheuse, la Dre Yu a développé des méthodes statistiques pour l’inférence causale, les essais cliniques, les méthodes bayésiennes, l’analyse spatiale, l’exploration de données et les méthodes d’apprentissage automatique. Ses domaines de recherche incluent les disparités en matière de santé, le cancer et les maladies chroniques. La Dre Yu a publié plus de 140 articles méthodologiques et collaboratifs, ainsi que cinq logiciels. Elle est co-éditrice de la revue Data Science in Science. La Dre Yu est chercheuse principale et co-investigatrice pour de nombreuses subventions soutenues par les NIH, les CDC et d’autres organismes de financement nationaux et étatiques.
À une époque où les données transcendent les frontières traditionnelles, il n’a jamais été aussi crucial de favoriser la collaboration interdisciplinaire. En collaboration avec le National Institute of Statistical Sciences (NISS), nous sommes fiers de présenter la NISS-CANSSI Collaborative Data Science Webinar Series, consacrée à la présentation du travail des data scientists et des scientifiques de domaine issus de divers domaines scientifiques qui collaborent pour faire progresser la science. Cette initiative célèbre le pouvoir de la collaboration, en démontrant comment la fusion de la science des données avec diverses disciplines peut stimuler l’innovation, résoudre des problèmes complexes et repousser les frontières de la connaissance au-delà du domaine des statistiques.
Chaque session sera animée par deux intervenants : un data scientist et un expert d’un autre domaine qui ont collaboré avec succès pour obtenir des résultats percutants. Grâce à leurs expériences et à leurs connaissances partagées, les participants acquerront une compréhension plus approfondie des processus collaboratifs qui comblent les écarts entre différents paysages scientifiques. Ces séminaires mettront non seulement en lumière les partenariats réussis, mais offriront également une plateforme d’échange d’idées, de méthodologies et de bonnes pratiques qui inspirent de nouvelles collaborations.