Archives de catégorie : Publication

Ouverture de poste: Maître de Conférence en Analyse et apprentissage pour la vidéo

Telecom ParisTech, une Grande Ecole d’Ingénieur de l’Institut Polytechnique de Paris, recrute un·e Maître de Conférences en Analyse et Apprentissage pour la Vidéo. Le poste est localisé au sein de l’Équipe Multimédia, dans le Département Image, Data, Signal (IDS) et le laboratoire LTCI.

L’équipe Multimédia a une longue expérience dans le domaine du codage et de la transmission de la vidéo. Plus récemment, l’analyse et l’apprentissage pour la vidéo ont pris une place d’importance grandissante dans l’activité de recherche et enseignement de l’équipe, comme témoigné par la mise en place du Groupe d’étude pour l’application de l’apprentissage (profond) à la compression vidéo. L’équipe a l’objectif de agrandir son activité dans ce domaine et plusieurs nouveaux projets de recherche viennent d’être lancé : par exemple, l’équipe a 2 projets en cours sur l’utilisation de l’apprentissage profond pour la compression vidéo, et un autre sur l’utilisation des techniques d’apprentissage pour l’évaluation de la qualité photographique. C’est dans ce cadre et pour supporter l’activité croissante de l’équipe que la position de Maître de Conférences en Analyse et apprentissage pour la Vidéo a été ouverte.

Les candidats doivent avoir un dossier de recherche universitaire de qualité et la personne retenue sera encouragée à encadrer des thèses de doctorat, des ingénieur·es et des post-doctorant·es, tout en participant activement aux projets financés et aux activités de l’équipe Multimédia. Ses activités d’enseignement se dérouleront au sein des différents cursus de Télécom ParisTech et de l’Institut Polytechnique de Paris ; ils peuvent être donnés en anglais.

Plus d’informations ici.

Appel à candidature sur le site de TPT.

Articles ICASSP

Trois articles ont été acceptés dans la conférence IEEE ICASSP :
1) S. Zheng, M. Cagnazzo, M. Kieffer. « CHANNEL IMPULSIVE NOISE MITIGATION FOR LINEAR VIDEO CODING SCHEMES »
2) L. Wang, A. Fiandrotti, A. Purica, G. Valenzise, M. Cagnazzo. « ENHANCING HEVC SPATIAL PREDICTION BY CONTEXT-BASED LEARNING »
3) P. Nikitin, M. Cagnazzo, J. Jung. « COMPRESSION IMPROVEMENT VIA REFERENCE ORGANIZATION FOR 2D-MULTIVIEW CONTENT ».
Félicitations aux auteur.e.s, en particulier à Shuo, Li et Pavel.

Article TMM accepté

L’article « Very Low Bitrate Semantic Compression of Airplane Cockpit Screen Content » a été accepté dans IEEE Trans. on Multimedia.
Félicitation à Iulia Mitrica, première auteure de cet étude portant sur la reconnaissance des éléments sémantiques (texte, graphes) dans le codage de la vidéo d’écrans d’avion.

Article accepté – MMSP

Notre article sur l’estimation de la qualité des images compressées avec les techniques basées sur l’apprentissage profond a été accepté dans la conférence IEEE Multimedia Signal Processing 2018 (MMSP) [1].

Dans cet article nous utilisons 2 parmi les plus récentes méthodes de compression basées sur le DL, développées respectivement par Ballé et al. [2] et par Toderici et al. [3]. Les images compressés avec ces méthodes ont été évaluées par un panel d’une vingtaine de personnes. Nous avons également considéré des images compressées avec des techniques « classiques » (HEVC-INTRA (BPG) et  JPEG2000).  Nous avons trouvé que la qualité subjective est souvent meilleure que JPEG2000, et en tout cas très proche. Par contre BPG a encore des meilleurs résultats en moyenne, même si sur certaines images la méthode [3] est la meilleure.

RDV sur [1] pour plus de détails! (Le PDF de cet article sera prochainement disponible).

[1] G. Valenzise, A. Purica, V. Hulusic, M. Cagnazzo. « Quality Assessment of Deep-Learning-Based Image Compression ». To appear in IEEE Multimedia Signal Processing Workshop, 2018.

[2] J. Ballé, V. Laparra, and E. P. Simoncelli, “End-to-end optimized image compression,” in Int. Conf. on Learning Representations (ICLR), Toulon, France, Apr. 2017.

[3] G. Toderici, D. Vincent, N. Johnston, S. J. Hwang, D. Minnen, J. Shor, and M. Covell, “Full resolution image compression with recurrent neural networks,” in IEEE Int. Conf. on Computer Vision and Pattern Recognition (CVPR), Honolulu, Hawaii, USA, Jul. 2017, pp. 5435–5443.