Pouvez-vous nous en dire un peu plus sur le prix que vous avez reçu et sur la conférence ICASSP ?
ICASSP est l'une des conférences de référence en traitement du signal ? elle figure aujourd'hui dans le top 3 du classement Google Scholar dans ce domaine. C'est un rendez-vous annuel qui réunit des chercheurs issus de communautés très larges, allant du traitement du son à celui de l'image. Cette année, plus de 7000 articles ont été soumis.
Comme souvent, deux prix principaux sont décernés : celui du meilleur article, et celui du meilleur article rédigé par un doctorant (Best Student Paper Award). C'est ce dernier que j'ai eu la chance de recevoir. Pour donner un ordre d'idée, plus de 3300 articles étaient en compétition pour ce prix, attribué par un jury international de chercheurs désigné par les organisateurs de la conférence.
Pouvez-vous nous présenter l'article que vous avez soumis à la conférence ?
J'ai présenté un article intitulé « Label-constrained Unsupervised Domain Adaptation for Semantic Segmentation with Diffusion Models » (disponible ici). Cet article traite d'un des problèmes fondamentaux en apprentissage profond (Deep Learning), à savoir la difficulté pour un réseau de neurones à bien généraliser lorsqu'il est confronté à un contexte différent de celui sur lequel il a été entraîné.
Par exemple, une voiture autonome qui a appris à rouler dans les rues de Los Angeles ne sera pas forcément capable de rouler dans celles de Strasbourg. De même, une intelligence artificielle (IA) entraînée pour détecter un cancer sur des images d'Imagerie par Résonance Magnétique (IRM) issues d'un hôpital à Strasbourg ne sera pas forcément performante sur des images venant d'un hôpital en Italie, et ainsi de suite.
Mon article propose une nouvelle approche pour relever ce défi en s'inspirant des développements récents des modèles génératifs d'IA, notamment les modèles de diffusion, grâce à leur capacité puissante à modéliser les probabilités.
Quel est le titre de votre thèse, et qui en assure la direction ?
Le titre n'est pas encore complètement fixé, mais il s'intitulerait, à ce stade :
« Méthodes d'apprentissage profond et perspectives probabilistes en adaptation de domaine non supervisée pour la segmentation d'images ».
Ma thèse est encadrée par :
- Étienne Baudrier, codirecteur de thèse, co-responsable de l'équipe IMAGeS (Images, Modélisation, Apprentissage, Géométrie et Statistique), équipe responsable pour l'organisation de la conférence GRETSI 2025 à Strasbourg (du 25 au 29 août 2025).
- Benoît Naegel, codirecteur de thèse, membre de l'équipe IMAGeS du laboratoire ICube.
- Nicolas Passat, professeur à l'Université de Reims Champagne-Ardenne, responsable de l'équipe AI4M (Artificial Intelligence for Medicine) au sein du laboratoire CReSTIC (Centre de Recherche en Sciences et Technologies de l'Information et de la Communication).
- Patrick Schultz, directeur de l'IGBMC (Institut de Génétique et de Biologie Moléculaire et Cellulaire).
