DiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporama
Accueil
ICube   >   Agenda : Thèse : Méthodes d’apprentissage profonds et perspectives probabilistes en adaptation de domaine non supervisée pour la segmentation d’images biomédicales.

Thèse : Méthodes d’apprentissage profonds et perspectives probabilistes en adaptation de domaine non supervisée pour la segmentation d’images biomédicales.

30 septiembre 2025
14h00
Amphi 301, pôle API

Soutenance de thèse : Alexandre Stenger

Lieu : Amphi A301 du Pôle API, 300 bd Sébastien Brant, Illkirch.

Date et horaire : Mardi 30 Septembre à 14h

 

Titre : Méthodes d’apprentissage profonds et perspectives probabilistes en adaptation de domaine non supervisée pour la segmentation d’images biomédicales.

 

Résumé : Alors que les avancées en apprentissage profond ont en grande partie été dues à l’augmentation des capacités de calcul, comment aborder le problème d’adaptation de domaine pour la segmentation d’images biomédicales à l’heure des modèles de fondation ?


La présentation sera donnée en français.


Jury :

  • Laetitia Chapel - Rapporteuse - Professeure - Institut Agro Rennes-Angers
  • Vincent Gripon - Rapporteur - Directeur de Recherche - CNRS, IMT Atlantique
  • Jakob Verbeek - Examinateur - Research Scientist - Meta, Facebook AI Research
  • Cédric Wemmert - Examinateur - Professeur - Université de Strasbourg
  • Benoît Naegel - Directeur - Professeur - Université de Strasbourg
  • Etienne Baudrier - Co-directeur - Maître de conférence - Université de Strasbourg
  • Nicolas Passat - Encadrant - Professeur - Université de Reims
  • Patrick Schultz - Co-directeur - Professeur - Université de Strasbourg

À la une

La conférence EGC (Extraction et Gestion des Connaissances) s’est déroulée du 27 au 31 janvier 2025...

Flux RSS

Flux RSS