Marco Pedersoli
Maître assistant
Département de génie électrique, ETS Montréal
Téléphone: + 1 (514) 396-8742
Bureau: A-3480
marco.pedersoli@etsmtl.ca
Depuis février 2017, je suis professeur adjoint à l'École de technologie supérieure (ETS), l'université la plus jeune et à la croissance la plus rapide située au centre de Montréal, l'AI Mountain!
+ Enseignement
- ETS: «Réseaux de Neurones et Intelligence Artificielle» Automne 2018
- ETS: «Apprentissage Machine» Hiver 2018
- ETS: «Réseaux de Neurones et Intelligence Artificielle» Automne 2017
- KU Leuven: Systèmes embarqués et multimédia 2014
- Enseignant enseignant en UAB: Informatique 2009-2012
- Enseignant assistant en UAB: Bioinformatique 2009-2012
- Enseignant assistant en UAB: Computational Logic 2008-2009
+ Articles originaux dans des revues à comité de lecture et chapitres de livres
«Adaptation de domaine multi-cible incrémentielle pour la détection d'objets avec un transfert de domaine efficace»Le Thanh Nguyen-Meidine, Madhu Kiran, Marco Pedersoli, José Dolz, Louis-Antoine Blais-Morin, Eric Granger » |
«Clustering profond: sur le lien entre les modèles discriminants et les K-means»Mohammed Jabi, Marco Pedersoli, Amar Mitiche, Ismail Ben Ayed » |
«Co-formation auto-rythmée et auto-cohérente pour la segmentation d'image semi-supervisée»Ping Wang, Jizong Peng, Marco Pedersoli, Yuanfeng Zhou, Caiming Zhang, Christian Desrosiers » |
«Automatisation de l'outil de suivi de localisation vidéo pour les vaches laitières dans leurs étables à l'aide de l'apprentissage en profondeur»A. Zambelis, M. Saadati, GM Dallago, P. Stecko, V. Boyer, JP Parent, M. Pedersoli, E. Vasseur » |
«Co-formation approfondie pour la segmentation d'image semi-supervisée»Jizong Peng, Guillermo Estrada, Marco Pedersoli, Christian Desrosiers » |
Lire la suite>
+ Articles dans les actes de conférence arbitrés
«F-CAM : Cartes d'activation de classe en pleine résolution via une mise à l'échelle paramétrique guidée»Soufiane Belharbi, Aydin Sarraf, Marco Pedersoli, Ismail Ben Ayed, Luke McCaffrey, Eric Granger » |
«Un modèle conjoint d'attention croisée pour la fusion audiovisuelle dans la reconnaissance dimensionnelle des émotions»RG Praveen, WC de Melo, N. Ullah, H. Aslam, O. Zeeshan, T. Denorme, M. Pedersoli, AL Koerich, S. Bacon, P. Cardinal, E. Granger » |
«Softmax stochastique temporel pour les CNN 3D : Une application à la reconnaissance des expressions faciales»Théo Ayral, Marco Pedersoli, Simon Bacon, Eric Granger” |
«Sur le biais de texture pour la segmentation CNN en quelques plans»Reza Azad, Abdur R. Fayjie, Claude Kauffmann, Ismail Ben Ayed, Marco Pedersoli, José Dolz » |
«Augmentation des données d'apprentissage avec optimisation en ligne à deux niveaux pour la classification des images»Saypraseuth Mounsaveng, Issam Laradji, Ismail Ben Ayed, David Vazquez, Marco Pedersoli » |
Le goulot d'étranglement actuel dans l'apprentissage profond ne concerne pas beaucoup la quantité de données disponibles, mais plutôt la capacité à traiter ces données et le coût de leur annotation.
Mes principaux objectifs sont:
- étudier et développer des méthodologies pour réduire le coût de calcul des techniques et des modèles modernes de reconnaissance visuelle.
- trouver des stratégies et de nouveaux algorithmes pour améliorer les performances de ces méthodes sur des données d'apprentissage et / ou des annotations limitées.
Cela ouvrira les portes au déploiement d'algorithmes modernes de vision par ordinateur sur le marché de plus en plus exigeant des petits appareils portables et embarqués limités en calcul.
+ Projets de recherche
Deep Learning avec supervision réduite: le Deep Learning nécessite du Big Data, mais qu'en est-il des annotations? Avons-nous vraiment besoin que chaque échantillon soit annoté? Jusqu'où pouvons-nous aller avec un ensemble réduit d'annotations? Pouvons-nous compenser le manque d'annotations avec plus de calcul? Est-il préférable d'utiliser quelques annotations propres ou plus, mais des annotations bruyantes?
+ Articles
Apprentissage par l'exploration: La plupart des ensembles de données couramment utilisés en vision par ordinateur sont composés d'échantillons (par exemple des images) et d'étiquettes (par exemple de catégories d'images). Il s'agit d'un cas idéal qui rend la formation et l'évaluation claires et simples. Cependant, dans le monde réel, les données proviennent souvent d'un environnement qu'il convient d'explorer. Ici apparaissent alors de nouveaux problèmes, mais très intéressants. Comment sélectionner à partir de quelles données apprendre? Comment et quand utiliser la supervision si la taille de l'environnement à explorer est exponentiellement grande? Comment évaluer la performance?
+ Articles
Calcul efficace: les ensembles de données sont de plus en plus volumineux et les modèles prédictifs deviennent très coûteux en calcul. Dans cette ligne de recherche, nous étudions et proposons des méthodes pour réduire le coût de calcul des modèles d'apprentissage profond à la fois au moment de la formation et de l'inférence.
+ Publications sélectionnées
- Adversarial Learning of General Transformations for Data Augmentation, Saypraseuth Mounsaveng, David Vazquez, Ismail Ben Ayed, Marco Pedersoli, dans l'atelier ICLR, 2019 (pdf)
- Un modèle d'attention pour la reconnaissance des émotions au niveau du groupe, Aarush Gupta, Dakshit Agrawal, Hardik Chauhan, Jose Dolz, Marco Pedersoli, dans ACM International Conference on Multimodal Interaction, octobre 2018. (pdf)
- Areas of Attention for Image Captioning, Marco Pedersoli, Thomas Lucas, Cordelia Schmid, Jakob Verbeek, dans International Conference of Computer Vision, octobre 2017 (pdf)
- DeepProposal: Hunting Objects and Actions by Cascading Deep Convolutional Layers, Amir Ghodrati, Ali Diba, Marco Pedersoli, Tinne Tuytelaars, Luc Van Gool, dans International Journal of Computer Vision, mars 2017. (pdf,iccv15,code)
- Vers le montage automatique d'images: apprendre à voir un autre Vous, Xu Jia, Amir Ghodrati, Marco Pedersoli, Tinne Tuytelaars au BMVC, septembre 2016. (pdf,Résumé étendu,code)
- Apprendre où positionner les pièces en 3D, Marco Pedersoli, Tinne Tuytelaars, dans ICCV, décembre 2015. (pdf,3DV14,affiche,code)
- Swap Retrieval: Récupération d'images de chats lorsque la requête montre un chien, Amir Ghodrati, Xu Jia, Marco Pedersoli, Tinne Tuytelaars, dans ICMR, juin 2015. (pdf)
- Combining where and what in change detection for unsupervised premier plan learning in surveillance, Ivan Huerta, Marco Pedersoli, Jordi Gonzàlez, Alberto Sanfeliu, in Pattern Recognition, Vol.48 (3), 709-719, 2015 (pdf)
- Détection d'objets faiblement supervisés avec clustering convexe, Hakan Bilen, Marco Pedersoli, Tinne Tuytelaars, dans CVPR, juin 2015. (pdf)
- Une approche grossière à fine pour la détection rapide des objets déformables, Marco Pedersoli, Andrea Vedaldi, Jordi Gonzàlez, dans Patter Recognition, Vol.48 (5), mai 2015. (pdf,cvpr11,pptx,code)
- Détection de visage sans cloches ni sifflets, Markus Mathias, Rodrigo Benenson, Marco Pedersoli, Luc Van Gool, dans ECCV, septembre 2014. (pdf,ODP,Projet)
- Les informations 2D sont-elles suffisantes pour l'estimation du point de vue?, Amir Ghodrati, Marco Pedersoli, Tinne Tuytelaars, dans BMVC, septembre 2014. (pdf)
- Détection d'objets faiblement supervisés avec régularisation postérieure, Hakan Binen, Marco Pedersoli, Tinne Tuytelaars, dans BMVC, septembre 2014. (pdf)
- En utilisant un modèle de champ de déformation pour localiser les visages et les points faciaux sous faible supervision, Marco Pedersoli, Tinne Tuytelaars, Luc Van Gool, in CVPR, juin 2014. (pdf,video1,video2,video3,code)
- Object Classification with Adaptable Regions, Hakan Bilen, Marco Pedersoli, Vinay P. Namboodiri, Tinne Tuytelaars, Luc Van Gool, in CVPR, juin 2014. (pdf)
- An Elastic Deformation Field Model for Object Detection and Tracking, Marco Pedersoli, Radu Timofte, Tinne Tuytelaars, Luc Van Gool, International Journal of Computer Vision, juin 2014, (pdf,rapport)
- Toward Real-Time Pedestrian Detection Based on a Deformable Template Model, Marco Pedersoli, Jordi Gonzàlez, Xu Hu, Xavier Roca, IEEE Transactions on Intelligent Transportation Systems, 15 (1), septembre 2013. (pdf)
- Modèles multirésolution hiérarchiques pour la détection rapide d'objets, Marco Pedersoli, Thèse de doctorat, septembre 2012. (pdf,dossard)
- Pour la liste complète de mes publications, consultez mon google scholar.
En 2015-2016 j'ai été post-doc au THOTH à INRIA Grenobleavec le Dr Cordelia Schmid et le Dr Jakob Verbeek. De 2012 à 2015, j'étais dans VISICS à KU Leuven avec prof. Tinne Tuytelaars. J'ai obtenu mon doctorat. au Centre de vision par ordinateur et à l'Université autonome de Barcelone (Ltd) sous la direction de Jordi Gonzàlez et Juan José Villanueva. Pour plus de détails, consultez mon CV.
+ code
- Roi-Pooling à Lasagne. Portage du ROI-pooling R-CNN à Lasagnegithub.
- Détection faiblement supervisée. Code Python (Caffe) basé sur Fast RCNN pour une détection faiblement supervisée github.
- Code d'évaluation de détection de visage. Code source Python et Cbitbucket.
- Détection rapide d'objets 3D. Code source Python et C github.
- Modèle de champ de déformation. Code source Python et C github.
+ Associé de recherche
- PhD
- Saypraseuth Mounsaveng
- Akhil PM
- Jizong Peng
- MSC
- Kristof Boucher Charbonneau
- Théo Arial
- Masih Aminbeidokhti
- Mirmohammad Saadati
+ Associé de recherche
- Mehraveh Javan
Marco
Pedersoli
À propos de nous
Recherche et innovation
Actualités et Evénements
Contactez-Nous
Pavillon principal (A)
1100, rue Notre-Dame Ouest
Montréal, Québec, H3C 1K3
Salle A-3600
Tél.: + 1 (514) 396-8650
Email: eric.granger@etsmtl.ca