Utilité publique
- Choses pratiques à connaître pour les nouveaux arrivants dans le projet (ne serait-ce que des liens vers les pages du SEMIR + quelques astuces)
- administratif (missions, etc.)
- gestion des comptes informatiques, conseils (ex: installez synaptic ou aptitude pour installer des programmes)
- Si vous passez par inadvertance à Fédora 15, et que le nouveau gnome ou kde ne vous plait pas, installez xfce, très simple et efficace :
yum groupinstall XFCE
- la boîte à spams de l'INRIA
- base bibliographique commune ?
- Logiciels
- Datasets
- Conférences et journaux
- Liste des journaux/confs accessibles en ligne et mots de passe éventuels ?
- Liste des proceedings disponibles dans l'équipe
- Deadlines : liste de confs en vision, autre liste en vision, Wiki-Call for papers
- CVPR : 21 novembre 2011
- ECCV 5 mars 2012
- Ranking : google conference ranking => page 1, page 2, page 3...
- top-rank : ICCV, CVPR, NIPS, ICML, ECCV...
- second-rank : ICIP, ICPR...
- carrément à éviter (celles pour lesquelles des inconnus vous invitent par spam à organiser une session sans préciser le domaine, alors que vous n'êtes pas particulièrement célèbre...) : IASTED
- Conseils de rédaction, outils (vérification d'orthographe, pointeur tutoriel LaTeX?, etc.)
- Séminaires, présentations, groupes de lecture
- Séminaires internes à Pulsar : slides
- Groupes de travail : Key-words list / liste de mots-clés donnés par chacun afin de construire éventuellement des groupes de travail
- Séminaires de culture générale :
- Graph cuts
- PCA (à venir)
- Dynamic programming (à venir)
- Tutoriaux, références, ou états de l'art (de choses qui peuvent servir à tous)
- Tutoriels généraux, listes de tutoriels en ligne
- Apprentissage
- La base de la base
- Overview (méthodes à noyaux, réseaux de neurones, boosting, processus gaussiens/Dirichlet)
- Machines à noyaux (kernel machines) : tutoriel de référence, mon tutoriel
- KNN (KPPV en français)
- KD-tree (cf la performante OpenTOOL pour Matlab)
- Parzen
- C'est quoi un noyau ? What is a kernel ?
- SVM
- SVR
- Laplacien de graphe
- Kernel PCA
- Kernel ridge regression
- Graphical models
- Reinforcement learning
- La structure dans l'apprentissage statistique (ex: Structured Output Learning)
- Méthodes d'optimisation (minimisation d'énergies)
- Gradients: classique, conjugué, stochastique, recuit simulé, changement de produit scalaire
- Graph cuts (max-flow ou kernel) (cf MRF1.6)
- (Loopy) Belief propagation & graphical models
- Dynamic time warping
- "Programmation linéaire"
- Vision
- Pourquoi c'est rarement aussi simple que ce que vous croyiez et pourquoi parfois c'est aussi beaucoup plus facile que ce que vous pensiez...
- Vision "classique", "traditionnelle"
- Approche variationnelle (minimisation d'une énergie)
- Snakes, contours actifs pour la segmentation
- Critères d'homogénéité / de segmentation
- intensité (couleurs/gris) : histogrammes, moments, etc. (voir la section sur les patchs...)
- texture
- bords : fort gradient d'intensité (ou d'autre chose)
- Forme
- différentes façons de représenter une forme
- points, polygones, meshs (Delaunay, etc.)
- splines
- level-sets
- attention au produit scalaire !
- astuces pour calculer des quantités géométriques simples (aire, centre de masse, composantes connexes, normales, orientation, transport, etc.)
- statistiques de forme (en tant que fonction continue décrivant le contour)
- Parzen- ou kernel-like methods (cf Cremers)
- approche géodésique (Trouvé-Younès, Pennec, etc.)
- Vision à patchs
- patch (c'est quoi un patch? carré, rond, gaussien? Taille? Couleur, gris?) = ensemble de descripteurs locaux de l'image
- features, ou descripteurs de patchs
- Invariance par rotation (ou pas)
- Prendre en compte la position (absolue) du patch ou relative par rapport à d'autres patchs (ou pas)
- rapidité du calcul des features pour un patch donné
- détection des patchs intéressants a priori (points de Harris)
- SIFT
- SURF (code)
- Normaliser l'ensemble des features (ou pas)
- bag-of-words models ou autres pour réduire la complexité du problème
- Apprendre l'importance relative de chaque feature, ou détecter les combinaisons de features pertinentes... apprentissage statistique !
- clusters de patchs (distance pertinente entre patchs?)
- classification/clustering/mise en correpondance d'images à partir de patchs
- Vision biologique (rétine, V1, etc., feedbacks énormes)
- Modélisation : hiérarchie, ordre des étapes
- Top-down
- Bottom-up
- Boucles, feedbacks
- Astuces numériques
- Numerical recipes
- EDP: schémas implicit vs explicit (en temps)
- Schémas de discrétisation du gradient (spatial)
- Attention aux discrétisations malencontreuses: exemple de la gaussienne tronquée à 2 ou 3 * écart-type qui est source de grosses discontinuités