La vision est l'un des capteurs essentiel de la robotique. Ce cours a pour objectif de présenter les principales approches de la vision utilisées en robotique.
Les modèles génératifs récents sont considérés comme des outils transformateurs, redéfinissant le terrain de l'intelligence artificielle et de l'informatique en general. Ces modèles, souvent basés sur des deep neural networks, jouent un rôle central dans des tâches telles que la génération d'images, le rendu et même la création de contenu créatif. Leur importance réside dans leur capacité à apprendre des modèles et des relations complexes à partir de vastes ensembles de données, ce qui permet de générer des résultats réalistes et diversifiés. Ce cours se concentre sur les techniques les plus récentes de génération d'images, qui impliquent des processus de rendu par le biais de réseaux neuronaux. Le rendu neuronal est un aspect clé de ce cours, et peut être grossièrement défini comme une technique où les pipelines de rendu classiques (comme le ray-tracing, le rendu volumétrique, le rendu basé sur l'image, etc.) sont augmentés avec des réseaux neuronaux. Nous passerons d'abord en revue les bases de l'infographie et des réseaux neuronaux profonds, en nous concentrant sur le rendu neuronal basé sur l'image 2D. Nous discuterons ensuite des avancées dans le rendu volumétrique 3D, également via les Neural Radiance Fields (NeRFs).
L'objectif du cours est d'exposer les principaux modèles markoviens avec applications en traitements bayésiens (segmentation, filtrage, lissage, prédiction, ...) des données. On traitera en particulier certains développements récents des modèles de Markov cachés et traitements généraux, de type de traitement particulaires, correspondants. L'accent sera mis sur les méthodes classiques d'estimation des paramètres aboutissant à des traitements non supervisés. On présentera différents exemples d'applications dans les domaines de traitement d'images, de poursuite, finances, ou encore codage et communications numériques.
•Introduction to Natural Language Processing - Chloe Clavel
•Language Models - Matthieu Labeau
•Tutorial on Generation
•Tutorial on Sentiment analysis
3 projects in small groups
Evaluation
Project Report and defence
MATERIALS to go further
■NLP in general
•https://nlp.stanford.edu/IR-book
•From Miha Grcar “Text mining and Text stream mining tutorial
•Foundations of Statistical Natural Language Processing Christopher D. Manning and Hinrich Schütze
•Lecture from Stanford http://cs224d.stanford.edu/lecture_notes/notes1.pdf
■ NLP and deep learning
•Deep Natural Language Processing course offered in Hilary Term 2017 at the University of Oxford.
•Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. Deep learning. MIT press, 2016.
•Mikolov, Tomas, et al. "Distributed representations of words and phrases and their compositionality." Advances in neural information processing systems. 2013.
■Tools :
•word2vec from Google https://code.google.com/p/word2vec/ tutorial from
•tensorflow https://www.tensorflow.org/tutorials/word2vec
•Other representations: Glove http://nlp.stanford.edu/projects/glove/
■Sentiment definitions
•[MUN 14] MUNEZERO M. D., SUERO MONTERO C., SUTINEN E., PAJUNEN J., “Are They Different? Affect, Feeling, Emotion, Sentiment, and Opinion Detection in Text”, IEEE Transactions on Affective Computing, 2014.
La vision est l'un des capteurs essentiel de la robotique. Ce cours a pour objectif de présenter les principales approches de la vision utilisées en robotique.
La communication humaine est multimodale en soi, c'est-à-dire que l'être humain communique efficacement le sens, les sentiments et les émotions par de multiples canaux sensoriels comme la parole, le mouvement et les expressions faciales. Beaucoup d'efforts ont été consacrés à concevoir des machines intelligentes capables de capturer, représenter et analyser automatiquement le comportement multimodal de leurs utilisateurs afin de les engager dans un dialogue multimodal visant à établir une interaction naturelle. Ce cours fournit aux étudiants les connaissances conceptuelles de base, les méthodologies et les outils nécessaires à la conception, à la mise en œuvre et à l'évaluation de ce type de machines intelligentes.
Etre capable de se déplacer dans un environnement quelconque est à la fois indispensable et extrêmement complexe pour un robot mobile autonome ou pour un véhicule intelligent. Dans ce cours, nous présenterons un panorama des capteurs, des représentations et des différentes méthodes utilisées pour résoudre ce problème.
Ce cours présentera les méthodes classiques de navigation, des méthodes réactives les plus simples aux méthodes plus complexes basées sur des cartes de l’environnement. Un certain nombre d'approche pour la commande des robots sont aussi présentées, ainsi qu'un panorama des applications de la robotique mobile.
Ce cours offre une exploration complète des concepts et techniques essentiels à la compréhension approfondie des nuages de points 3D, couvrant leur acquisition, leur traitement et leur visualisation, ainsi que les fondements mathématiques et algorithmiques sous-jacents. Les séances spécifiques aborderons successivement la perception 3D, les capteurs et l'étalonnage, le recalage et la consolidation, la description locale des courbes et surfaces, le rendu de nuages de points et de maillages, la reconstruction de courbes et surfaces, la modélisation et la segmentation, et enfin l'application de l'apprentissage profond aux nuages de points 3D. Le cours comprend également des séances pratiques et des projets pour renforcer la compréhension théorique par des applications concrètes.
Les modèles génératifs récents sont considérés comme des outils transformateurs, redéfinissant le terrain de l'intelligence artificielle et de l'informatique en general. Ces modèles, souvent basés sur des deep neural networks, jouent un rôle central dans des tâches telles que la génération d'images, le rendu et même la création de contenu créatif. Leur importance réside dans leur capacité à apprendre des modèles et des relations complexes à partir de vastes ensembles de données, ce qui permet de générer des résultats réalistes et diversifiés. Ce cours se concentre sur les techniques les plus récentes de génération d'images, qui impliquent des processus de rendu par le biais de réseaux neuronaux. Le rendu neuronal est un aspect clé de ce cours, et peut être grossièrement défini comme une technique où les pipelines de rendu classiques (comme le ray-tracing, le rendu volumétrique, le rendu basé sur l'image, etc.) sont augmentés avec des réseaux neuronaux. Nous passerons d'abord en revue les bases de l'infographie et des réseaux neuronaux profonds, en nous concentrant sur le rendu neuronal basé sur l'image 2D. Nous discuterons ensuite des avancées dans le rendu volumétrique 3D, également via les Neural Radiance Fields (NeRFs).
