Réunion

Exposé de Sylvain Saighi

Titre : IA et soutenabilité énergétique

Résumé : Aujourd’hui tout le monde s’accorde sur l’omniprésence de l’Intelligence Artificielle (IA) dans notre quotidien. Cependant, l’IA gérée actuellement par les GAFAM (Google, Amazon, Facebook, Apple et Microsoft) est décentralisée sur des serveurs. Sachant que la consommation électrique de l’Internet représente 5% de la production mondiale (rapport 2023 de l'Agence Internationale de l'Energie) et que le trafic Internet augmente de 25% par an, il faut d’ores et déjà envisager des solutions de calcul alternatives faute de désillusion. S’inspirer du vivant a toujours fait partie des techniques de l’Homme pour répondre à des problèmes d’ingénierie. Sachant que le cerveau humain consomme 20W, plusieurs équipes dans le monde pensent qu’une solution résiderait dans la réalisation d’architectures neuromorphiques (réseaux de neurones artificiels matériels). De plus les progrès récents des sciences des matériaux ont permis de proposer plusieurs solutions pour réaliser des neurones ou des synapses (memristors, spintronique, isolants de Mott, etc..). La présentation proposera un éclairage sur la conception neuromorphique et de ses retombées attendues.

Exposé de Kevin Helvig et Pauline Trouvé

Titre : Fusion infrarouge-visible par attention croisée pour la détection d'objets 

Résumé : Le couplage entre différentes modalités (visible/infrarouge/radar…) peut permettre d’améliorer significativement la performance des modèles de détection d’objet par apprentissage profond. Chacune des sources d’informations peut en effet présenter des propriétés spécifiques utiles suivant le contexte d’observation, tels que les objets chauds en détection de nuit. Cependant, construire des architectures fusionnant efficacement de multiples canaux d’information n’est pas simple : équilibre entre taille de l’architecture et performance finale, efficience des opérations de fusion … Les modèles basés sur l’attention, via leur capacité à apprendre des corrélations longue distance et multi-échelles dans les données d’entrée, ouvrent de nouvelles possibilités de fusion entre des caractéristiques extraites dans différentes modalités. Nous présenterons le développement d’une architecture utilisant l’attention croisée afin de combiner des cartes de caractéristiques monospectrales (CAFF) pour les Transformers de Détection (DETR-DINO). Les résultats obtenus par cette approche de fusion sur des benchmarks de fusion infrarouge-visible ainsi qu'une mise en application sur données expérimentales seront présentés. Cette dernière couple l'information visible et l'information infrarouge pour la détection de fissures sur matériaux métalliques par thermographie laser : sur cette quantité de données plus limitée, l'apprentissage est de plus amélioré à l'aide de modèles génératifs de diffusion. 

Exposé d'Yves Bringer

Titre : Les caméras neuromorphiques

Résumé : Les caméras neuromorphiques s'inspirent du fonctionnement de l'œil humain. Contrairement aux caméras classiques, elles ne capturent pas des images entières à intervalles réguliers, mais détectent uniquement les changements de luminosité pixel par pixel, avec une résolution temporelle inférieure à 100 microsecondes. Cela permet une vitesse extrême, une consommation ultra-faible et une réduction massive de données. Idéales pour les environnements dynamiques, elles sont utilisées, par exemple, dans les voitures autonomes, les prothèses rétiniennes ou l’analyse de mouvements rapides.