Résultats de recherche

En 2021, cinq projets étaient sélectionnés dans le cadre de l’appel à projets « Campus Namur Durable » (CANDLE 2021). Des projets portés par des membres du personnel et/ou des étudiantes et étudiants de l’UNamur et financé par le Fonds Jérôme. Parmi eux, le projet en lien avec les questions de transition et de management responsable.

La Bibliothèque Universitaire Moretus Plantin (BUMP) de l’UNamur conserve une collection de plusieurs milliers de cartes postales au sein de sa réserve précieuse. Ce remarquable ensemble documentaire offre un regard original sur la vie quotidienne des Namurois aux 19e et 20e siècles. Certaines de ces cartes donnent à voir les Facultés telles qu’elles se présentaient voici près d’un siècle et illustrent les activités d’enseignement et de recherche qui y étaient alors pratiquées. 

Le centre de recherche NaDI-CeRCLe s’est brillamment démarqué sur la scène internationale ces dernières semaines. Trois jeunes chercheurs issus de la Faculté EMCP ont en effet été couronnés de reconnaissances prestigieuses lors d’événements internationaux de premier plan pour leur recherche en management des services : il s’agit de Floriane Goosse, Victor Sluÿters et Florence Nizette. Cet été, découvrons le travail de ces doctorants et leurs contributions significatives à la progression des connaissances et pratiques dans ce domaine. 

Mesurer la pauvreté et le bien-être, pour mieux comprendre les inégalités de développement entre les pays et mieux évaluer les politiques de développement. Telle est la thématique sur laquelle travaille Benoit Decerf, professeur assistant au sein du Département d’économie et chercheur au sein du centre de recherche en économie du développement de l’UNamur.  Il a participé à améliorer les indicateurs de pauvreté utilisés par la Banque mondiale. 

La matinée sera consacrée à la présentation des résultats détaillés de l’étude et à leur mise en perspective dans le contexte plus large des enjeux économiques, sociaux et environnementaux actuels.L’après-midi donnera la parole aux acteurs de terrain à travers des témoignages et tables rondes, illustrant comment le secteur du tourisme s’adapte aux défis posés par les changements climatiques. Inscriptions et programme détaillé ici : Le tourisme wallon face aux changements climatiques : entre risques et opportunités (26 janvier 2026): Accueil · UNamur Event (Indico) 

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

Jury PromoteursProf. Anthony Simonofski - Université de NamurProf. Corentin Burnay - Université de NamurAutres membres du juryProf. Annick Castiaux - Université de NamurProf. Lieselot Daneels - UGhentProf. Ida Lindgren - Linköping UniversityProf. Benoît Vanderose - Université de NamurPrésidente du juryProf. Sophie Béreau - Université de Namur

A l’occasion de la Journée internationale de lutte pour les droits des femmes, célébrée le 8 mars, nous vous invitons à découvrir les portraits de sept femmes inspirantes issues des sept Facultés de l’université. Tout au long du mois de mars, une série de portraits de femmes de l’université sera visible dans différents espaces du campus. Imaginé et réalisé par quatre étudiantes de l’UNamur, et coordonné par le Service Vie de la communauté universitaire (VéCU), ce projet offre une vitrine inspirante aux parcours, aux voix et aux engagements de ces femmes qui font vivre l’institution au quotidien.  

Formulaire d'inscription Nom Prénom Adresse e-mail Assistera à la réception qui suivra la défense Oui ( optionnel ) Non ( optionnel ) Désire une vignette de parking Oui ( optionnel ) Non ( optionnel ) Souhaite un certificat pour l'assistance à la défense Oui ( optionnel ) Non ( optionnel ) Pour le traitement de votre demande, les données sans mention « optional » doivent obligatoirement être complétées. Lorsque vous soumettez ce formulaire, les données complétées sont transmises à l’UNamur et utilisées pour donner suite à votre demande. Pour en savoir plus sur la protection de vos données et sur vos droits This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.

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

Le FNRS a décerné le Prix quinquennal Ernest-John Solvay en sciences sociales à Jean-Marie Baland, professeur au Département des sciences économiques de la Faculté EMCP de l’UNamur et cofondateur du Centre de Recherche en Economie du Développement (CRED) de l'Institut DeFiPP. Une reconnaissance majeure pour une carrière consacrée à l’étude des questions de pauvreté, d’institutions informelles et de développement durable.

School-IT, porté par la Faculté d’Informatique de l’Université de Namur, propose une mallette numérique innovante pour initier les élèves du maternel, primaire et secondaire à l’informatique. Conçue pour simplifier la tâche des enseignants, elle rassemble des activités prêtes à l’emploi, courtes et indépendantes, accompagnées de ressources pédagogiques et multimédias pour les enseignants et leurs élèves. Avec School-IT, enseigner l’informatique devient simple, concret et accessible à tous.