Résultats de recherche

Au programme pour tous 09h30 | Cérémonie d'accueil à l'amphithéâtre Vauban.11h00 | Célébration de la rentrée à la Cathédrale Saint-Aubain suivie de l'accueil des étudiants par les Cercles. En savoir plus

Plusieurs séances sont prévues : les 5, 12,19 et 26 novembre de 17h à 19h.  S'inscrire

Plusieurs séances sont prévues : les 5, 12,19 et 26 novembre de 17h à 19h.  S'inscrire

Plusieurs séances sont prévues : les 5, 12,19 et 26 novembre de 17h à 19h.  S'inscrire

Plusieurs séances sont prévues : les 5, 12,19 et 26 novembre de 17h à 19h.  S'inscrire

What? BENEVOL on Thursday and Friday, 21 and 22 November: the congress will bring together researchers working in software engineering, evolution, and maintenance. This year, we will have two keynotes: one by Prof. Andy Zaidman from TU Delft and one by Prof. Sonia Haiduc from Florida State University. IMPACT! day on November 20: as a PhD student and/or researcher, you can join us to learn to communicate what you bring to the table efficiently thanks to the tried and tested Value Proposition canvas and exchange with practitioners, who will expose the challenges they encounter daily. The IMPACT! day initiative is supported by the GRASCOMP doctoral school, and participants will receive a certificate. As a software development professional, you can join us on Wednesday afternoon, November 20, as a guest from the corporate world to share your current challenges and connect with researchers working to advance software development and maintenance practices (please do not hesitate to contact us at snail.info@unamur.be if you would like to participate in the introductory panel of guests from the professional world and/or at the World Café). When? Wednesday 20 (IMPACT Day!) Thursday 21 - Friday 22 November 2024 (BENEVOL Research Congress) Organizers Xavier Devroey, Gilles Perrouin, Benoît Vanderose, Anthony Cleve, Babette Di Guardia, Amélie Notaro, Sophie Panarotto, Alix Decrop, Tom Mens Where? TRAKK, Namur creative hub (Journée IMPACT!) S09, Faculty of Sciences, University of Namur, Belgium (BENEVOL Research Congress) More information

JuryDr. Gilles PERROUIN, Président, Université de NamurProf. Anthony CLEVE, Promoteur, Université de NamurProf. Benoît VANDEROSE, Membre interne, Université de NamurProf. Xavier DEVROEY, Membre interne, Université de NamurProf. Serge DEMEYER, Membre externe, Université d’AnversProf. Michele LANZA, Membre externe, Université de la Suisse ItalienneVous êtes cordialement invités à un drink, qui suivra la soutenance publique.You are kindly invited to a drink, which will follow the public defense.Pour une bonne organisation, merci de vous inscrire pour le lundi 19 août au plus tard.For a good organization, please register by Monday, August 19.

JuryProf. Wim VANHOOF, Président, Université de NamurProf. Benoit FRENAY, Promoteur, Université de NamurDr. Alexandre MAYER, Co-Promoteur, Université de NamurDr. Gilles PERROUIN, Membre interne, Université de NamurDr. Paul TEMPLE, Membre externe, Université de RennesProf. John A. LEE, Membre externe, Université de LouvainVous êtes cordialement invités à un drink, qui suivra la soutenance publique.You are kindly invited to a drink, which will follow the public defense.Pour une bonne organisation, merci vous inscrire pour le mardi 3 septembre au plus tard.For a good organization, please register by Tuesday, Septembre 3. 

Au programme Pendant toute la semaine, des cours universitaires seront en accès libre pour aider les élèves à franchir cette première étape d’exploration de l’enseignement supérieur.Ils pourront également rencontrer un conseiller pour faire le point sur leur choix d’études, obtenir des informations sur les programmes ou les services offerts aux étudiants.Un atelier d’orientation sera aussi proposé le mardi 22 octobre, de 13h30 à 16h, pour réfléchir au processus d’orientation, mieux appréhender le paysage de l’enseignement supérieur et définir les balises principales dans le processus de clarification de leur projet (de formation et professionnel). Plus d'informations sur les cours ouverts Contacts Info étudesRue de Bruxelles, 85 5000 Namur+32 (0)81 72 50 30info.etudes@unamur.be

Abstract L’apprentissage profond a révolutionné la vision par ordinateur ces dernières années et a été appliqué à de nombreux domaines. Cette thèse se concentre sur l’endoscopie médicale, où l’apprentissage profond peut aider les médecins dans de nombreuses tâches, comme la navigation dans les poumons lors d’une bronchoscopie, l’assistance à la détection des maladies pulmonaires, la détection de la maladie de Crohn à partir d’une endoscopie par capsule (PillCam), ou encore l’automatisation de la détection de polypes lors de procédures de colonoscopie.Cette thèse, intitulée From Pixels to Practice: Deep Learning for Endoscopy, étudie comment les réseaux de neurones modernes et les paradigmes d’apprentissage peuvent améliorer la compréhension visuelle en endoscopie, dans le but de contribuer à des systèmes d’aide au diagnostic (Computer-Aided Detection, CAD) intégrables dans les flux de travail cliniques.Ce travail suit une structure basée sur des articles et relie des avancées méthodologiques en modélisation géométrique et temporelle à des techniques permettant de gérer la rareté et le déséquilibre des données, ainsi qu’aux implications pratiques et cliniques de l’apprentissage profond pour la détection de tumeurs pulmonaires, tant du point de vue clinique que du point de vue des praticiens. La première partie du manuscrit fournit un socle commun à toutes les parties suivantes. Tout d’abord, nous présentons une introduction générale au domaine de l’apprentissage automatique au Chapitre 1, en expliquant des concepts tels que la classification, les fonctions de perte et les réseaux de neurones artificiels. Ensuite, le Chapitre 2 se concentre sur le domaine de l’apprentissage profond pour la vision par ordinateur, en détaillant les principales tâches de vision, le concept de réseaux de neurones convolutionnels, ResNet et U-Net. Enfin, le Chapitre 3 décrit l’imagerie médicale, avec un focus sur les scanners tomodensitométriques (CT) et l’imagerie optique. La deuxième partie de la thèse s’intéresse à l’apprentissage de représentations spatio-temporelles. Au Chapitre 4, nous utilisons des réseaux de neurones profonds combinant des caractéristiques spatiales et une récurrence temporelle pour aborder le problème de la détection de la carène bronchique, un repère anatomique qui aide les médecins à se repérer dans les poumons. En évaluant des modèles de classification (ResNet-50), de segmentation (nnU-Net) et récurrents (GRU) sur un jeu de données de bronchoscopie que nous avons créé, l’étude met en évidence les bénéfices de la combinaison d’informations issues des masques de segmentation et de caractéristiques temporelles. Le Chapitre 5 poursuit sur la tâche de segmentation en analysant dans quelle mesure des U-Net équivariants par rotation, basés sur des E(2)-CNN avec des groupes de symétrie C4, C8 et D4, peuvent améliorer les performances lorsque l’orientation des objets dans l’image est arbitraire. Ensemble, ces chapitres montrent comment la modélisation temporelle et géométrique capture des aspects complémentaires de la structure visuelle. Ils soulignent en outre que le déséquilibre et la rareté des données constituent un problème récurrent en apprentissage profond. La troisième partie étudie l’apprentissage en situation de rareté et de déséquilibre des données. Tout d’abord, le Chapitre 6 explore un pré-entraînement contrastif supervisé [1] sur de grands jeux de données endoscopiques de domaine proche (Hyper-Kvasir [2], LDPolyp [3]), transféré ensuite vers des données plus petites et spécifiques à une pathologie (Crohn-IPI [4]). Cette méthodologie donne de meilleures performances que le pré-entraînement sur ImageNet ou basé sur l’entropie croisée, ce qui met en avant la valeur de représentations contrastives spécifiques au domaine. Ensuite, le Chapitre 7 introduit leMask-Aware Cropping (MAC), une nouvelle technique d’augmentation de données qui atténue le déséquilibre au niveau des pixels en segmentation. Sur divers jeux de données présentant des régimes de déséquilibre variés (URDE [5], Kvasir-SEG [6], HAM10000 [7]), MAC améliore systématiquement les métriques Dice et IoU dans des conditions de déséquilibre extrême. Ensemble, ces méthodes forment un cadre centré sur les données pour un apprentissage efficace lorsque les annotations sont rares ou inégalement réparties. La quatrième partie de la thèse se concentre sur l’apprentissage profond au bloc opératoire. Le Chapitre 8 propose un premier modèle (ResNet-50) pour la détection visuelle du cancer du poumon en bronchoscopie, entraîné sur des données réelles, in-vivo. Le modèle dépasse les performances de médecins juniors, tout en restant inférieur à celles des experts. Ce résultat montre que les systèmes de CAD pour la détection du cancer du poumon sont prometteurs. Le Chapitre 9 prolonge ce travail en évaluant l’utilisabilité d’un système de CAD basé sur un modèle d’apprentissage profond. En combinant indices de probabilité, graphes temporels et superpositions de cartes de saillance, une évaluation multicentrique avec 10 médecins est menée. L’outil reçoit des retours favorables, avec une utilisabilité élevée (score SUS de 80,5 [8]) et une forte acceptation clinique. Au-delà de l’endoscopie, les résultats concernant l’équivariance par rotation et le déséquilibre au niveau des pixels se généralisent à d’autres domaines tels que la microscopie, la dermatologie et l’imagerie aérienne. Cela montre que les méthodes proposées sont applicables à l’apprentissage visuel sous variabilité structurée et sous contraintes de données limitées.Mots-clés : apprentissage automatique, vision par ordinateur, médecine, endoscopie, réseaux de neurones convolutionnels, segmentation, modèles récurrents, équivariance.  Jury Prof. Dumas Bruno - Université de NamurProf. Frénay Benoit - Université de NamurProf. Schobbens P-Y. - Université de NamureProf. Beuls Katrien - Université de Namur,Dr. Mertens Benjamin - Lys MédicalProf. Oramas Mogrojevo José Antonio - Université d’AnversDr. Mancas Matei - Université de Mons S'inscrire

Abstract Transmission tower inspection is a crucial step in maintaining high-voltage electrical infrastructure. To perform these inspections, UAVs have proven to be a groundbreaking method for conducting such inspections. The UAV provide a fast, precise, cheap, and modular way to perform thorough audits. The next step in the transmission tower audit is to automate the analysis task. During this thesis, the goal of achieving a relative and adaptive autonomous flight for the transmission tower was attempted. In the first part of the thesis, we explain how the audits are executed. We explain the history of the UAV and describe them. We then make a small state-of-the-art Computer Vision neural network. This first part brings the basic understanding of the domain. In the second part of the thesis, we present our distinct contributions. Due to the sponsorship of this thesis, we highlight the industrial and scientific contributions. The first contribution is the creation of a platform that enables a comprehensive analysis of flights within the domain. That platform displayed flows and offered some guidance on how to perform audits more effectively. Thanks to the software, we were able to showcase the capabilities of our autonomous system in comparison to other solutions.The second scientific contribution is the creation of datasets around the domain of transmission towers. To train the machine learning algorithm, well-curated datasets were necessary. Due to the scarcity of data in that domain, we decided to study the impact of synthetic data to help train AI in computer vision. The datasets showed promising results in different ML algorithms such as UNet and Mask2Former. In some situations, hybrid dataset-trained models outperform models trained on only the physical world dataset. The third scientific contribution involves training a Convolutional Neural Network for transmission tower segmentation. This modern neural network is designed for use in an embedded computer on a UAV. The fourth contribution is the development of different flight controller algorithms during the thesis. These autopilots ranged from a more basic flight assistant for the pilot to an autonomous flight system. A large-scale comparison is done of the different flight controllers.The final scientific contribution is a study on monocular depth perception in the context of a UAV flying around a transmission tower. This study compares six state-of-the-art pre-trained models. A large data set is created using photogrammetry software to generate pixel-wise depth annotations for each image. The study compares the models using different metrics and ranks them based on their capabilities.  Jury Prof. Tuci Elio - University of Namur, BelgiumProf. Anthony Cleve - University of Namur, BelgiumProf. Pierre-Yves Schobbens - University of Namur, BelgiumProf. Alvaro Gutierrez - Universidad Politecnica de Madrid, EspagneMr. Fabian Duchesne - Qualitics SPRLProf. Anders Lyhne Christensen - SDU, Denmark Evènement public et gratuit - Inscription obligatoire Je m'inscris

JuryProf. Benoit Frénay, Université de Namur (Promoteur)Prof. Isabelle Linden, Université de Namur (Co-Promoteur) ;Prof. Xavier Devroey, Université Namur (Président) ;Prof. Claire Lobet, Université de Namur ;Prof. Florentin Kucharczak, Université de Montpellier ;Mr. Achimi Hassaini, Thales Alenia SpaceMr. Olivier Dequenne, AISIN Europe.AbstractThis thesis proposes a robust, interpretable, and transferable deep-learning framework for anomaly detection in safety-critical domains such as industrial quality control and medical diagnostics. These two fields, though distinct, share major challenges: class imbalance with limited abnormal samples, and the need for trustworthy and real-time decisions under strict reliability constraints. The main objective is, thus, to build methods with minimal supervision (training with normal data only) while allowing a human-aligned interpretability.The approach combines artificial intelligence unsupervised generative modeling with supervised classification, focusing on patching techniques, local representation, and interpretable scoring. Four key contributions structure this work:(i) Generative Adversarial Network Anomaly Detection through IntermediatePatches (GanoDIP), a Generative Adversarial Network (GAN) architecture for high-resolution, industrial anomaly localization at the patch level.(ii) Vector Quantized Generative Adversarial Network Anomaly Detectionthrough Intermediate Patches (VQGanoDIP), an extension with vector-quantized latent representations and composite scoring for improved reconstruction and fidelity.(iii) Cycle Generative Adversarial Network-Anomaly Detection (CGAN-AD), a conditional image translation model that integrates both normal and abnormal data for enhanced domain transfer in industrial and medical settings.(iv) Trustworthy approximated partial AUC (tapAUC), a loss function that enforces the Zero False Negative constraint, for high recall in critical scenarios.These models are deployed in real-world use cases. The framework is integrated into an active production line to detect unexpected components (such as screws) in printed circuit boards, delivering interpretable decisions with minimal false alarms. In the medical domain, the approach is adapted to well perform in Positron Emission Tomography (PET) based coma receptivity analysis, and some techniques are incorporated for an ovarian cancer segmentation application. These results demonstrate not only technical efficiency but also organizational viability through human-in-the-loop deployment and real-time scalability.Together, these contributions establish a modular, constraint-aware, and explainable anomaly detection paradigm, advancing the field towards trustworthy and human-centered artificial intelligence in high-stakes environments.