Institut de recherche mathématique avancée

Résumé : La segmentation de structures subcellulaires dans les données de microscopie électronique (ME) constitue un enjeu majeur pour l’analyse quantitative en biologie cellulaire. Les approches supervisées conventionnelles nécessitent toutefois un volume important d’annotations expertes, coûteuses et difficiles à généraliser entre laboratoires. L’émergence des modèles Vision-Langage (VLM), capables d’exploiter simultanément informations visuelles et prompts, offre de nouvelles perspectives pour réduire cette dépendance aux données annotées. Cependant, ils ne sont que peu déployés pour les données de microscopie électronique. Dans cette présentation, nous proposons d’explorer le comportement de deux VLMs standards (CLIP et BiomedCLIP) étendus à la segmentation d’organelles en ME à balayage par faisceau d’ions focalisés (FIB-SEM). Trois objectifs sont visés dans cet article : (1) Explorer la transférabilité des VLM de classification à la segmentation multi-modale. (2) Explorer l’impact du pré-entraînement (images naturelles pour CLIP contre images médicales pour BiomedCLIP) sur les performances en ME. (3) Explorer la sensibilité de ces modèles aux prompts utilisés. Dans ce dernier cas, plusieurs prompts sont envisagés : un prompt naïf, des prompts avec une description du contexte biomédical d’acquisition et des prompts avec une description des motifs recherchés.

A propos de l'orateur : Antoine Bralet est actuellement maître de conférences en informatique au laboratoire ICube de Strasbourg dans l’équipe IMAGeS. Il a soutenu sa thèse en octobre 2024 sur la détection et segmentation de glissements de terrain sur des images satellitaires multimodales au laboratoire LISTIC à Annecy. Ses travaux en traduction de modalité et explicabilité de réseaux de neurones l’ont poussé vers de nouvelles problématiques liées à l’adaptation de domaine et à l’apprentissage de représentation lors de son post-doctorat à l’IRISA de Vannes. Il continue désormais ses recherches au laboratoire ICube en développant de nouvelles méthodes non seulement appliquées à des images satellitaires mais également à des images biomédicales.

Résumé : The so-called multilayer wave functions are an ansatz proposed by physicists to study strongly interacting charged particles distributed on multiple layers in a material. When each layer is a copy of a complex curve of genus g, these functions give rise to a vector bundle over the Picard group of the curve. Its geometric properties such as rank, Chern character, and projective flatness determine measurable physical characteristics. In this talk, we will show how to construct such a vector bundle and compute its Chern character for arbitrary genus using the Grothendieck-Riemann-Roch formula, as well as combinatorial techniques, namely Berezin integration and Wick’s formula for exterior algebras. This is joint work with Maria Abad Aldonza.

Résumé : In dimension 3 and higher, it is well-known that certain singular complex projective varieties do not admit a unique minimal resolution of singularities. Typically, there are small birational modifications which allow to toggle back and forth between different minimal models of the same variety. This framework is particularly well-understood for Calabi—Yau pairs, whose minimal models are connected by finite sequences of so-called flops. Some finite sequences of flops loop, and thereby define non-trivial birational automorphisms on one model; to that extent, it is not uncommon for a Calabi-Yau pair to have infinitely many marked minimal models. It is however conjectured that a klt Calabi—Yau pair has finitely many unmarked minimal models. As the class of klt Calabi—Yau pairs is naturally closed under quotients by finite group actions, it is reasonable to expect birational finiteness properties to descend under finite quotient. In that spirit, this talk presents a descent result for birational finiteness properties of a large class of varieties, both under the action of a finite group and under the action of the Galois group of a perfect field. We will provide examples and applications along the way.

Résumé : Neurophysiologists are able to observe the activity of individual neurons, known as their "spikes". However, this can only be performed for a small amount of neurons, compared to the real size of the network. The goal of this talk is to present a new approach that can estimate the connection proportion between neurons, from the observation of few neurons. We then compare this new approach on a toy model to the actual method generally used by neurophysiologists.

Résumé : This paper develops a general approach for deep learning for a setting that includes nonparametric regression and classification. We perform a framework from a data that fulfills a generalized Bernstein-type inequality, including, independent, ϕ-mixing, strongly mixing, C-mixing observations. Two estimators are proposed: a non-penalized deep neural network estimator (NPDNN) and a sparse-penalized deep neural network estimator (SPDNN). For each of these estimators, bounds of the expected excess risk on the class of Hölder smooth functions and composition Hölder functions are established. Applications to independent data, as well as to ϕ-mixing, strongly mixing, C-mixing processes are considered. For each of theses examples, the upper bounds of the expected excess risk of the proposed NPDNN and SPDNN predictors are derived. It is shown that, both the NPDNN and SPDNN estimators are minimax optimal (up to a logarithmic factor) in many classical settings.