Recherche d'Actualités

Une journée intitulée « Approximation Algorithms and Geometric Convexity » est organisée à ESIEE Paris le 31 août 2018. Des exposés seront proposés par : Imre Bárány, Institut de mathématiques Alfréd-Rényi à Budapest et University College London Guilherme Dias da Fonseca, Université Clermont Auvergne L'inscription est gratuite mais obligatoire sur la page ci-dessous : https://perso.esiee.fr/~jartouxb/aagc/  

Le prochain séminaire de l'équipe A3SI du LIGM (unité mixte de recherche de l'Université Paris Est) aura lieu le mercredi 5 septembre à 9h30 (ESIEE PARIS). La salle sera précisée ultérieurement. Stochastic geometry, topological and experimental Herbert Edelsbrunner IST Austria Abstract: We study classical questions in stochastic geometry, such as the expected density of p-simplices in the Delaunay mosaic of a Poisson point process in d-dimensional Euclidean space.  Using a discrete M ...

Un séminaire des équipes A3SI et LRT du LIGM (unité mixte de recherche de l'Université Paris Est)  a eu lieu le vendredi 22 juin de 13h30 à 14h30 à ESIEE Paris. Study of compressed stack algorithms in limited memory environment Jean-Francois Baffier Tokyo Intistute of Technology Abstract: The need to run algorithms on limited-memory devices motivated our consideration for data structure in the settings where there is only a limited amount of memory available (apart from the input represe ...

Un séminaire de l'équipe A3SI du LIGM (unité mixte de recherche de l'Université Paris Est) aura lieu le lundi 2 juillet de 13h30 à 14h30, salle 3005 (ESIEE PARIS). Watershed: how to learn it end-to-end, and how to use it in graph partitioning Fred Hamprech tHeidelberg University Abstract: In a first part, I will sketch how to realize an end-to-end learning of a segmentation pipeline involving a watershed computation [Wolf et al., "Learned Watershed", ICCV 2017]. In a second part, ...

Les travaux de recherche des doctorants, encadrés par des enseignants-chercheurs de ESIEE Paris, seront présentés à une « Matinale Recherche : Doctorants ESIEE »  le jeudi 21 Juin 2018. La matinale, ouverte à tous, est programmée le même jour que la journée des projets afin de bénéficier de la présence des élèves et de l’exposition de leur projet . Programme 9h00 | Session d’ouverture (Amphi 210) Gaëlle LISSORGUES - Directrice adjointe Ecole Doctorale MSTI ...

La 5e conférence « Microsystems & Nanoengineering Summit » (MINE 2018) se tiendra à Pékin du 8 au 11 juillet 2018. Tarik Bourouina, Professeur à ESIEE Paris, a été convié à « MINE 2018 » en tant que conférencier invitée. Il donnera une conférence intitulée « Water Panels and Air-Panels: Towards Solar-Driven, Micro- and Nano-enabled devices for decentralized production of high quality vital resources ». Participent également à MINE 2018, Yasser Sabry, ...

Un séminaire de l'équipe A3SI du LIGM (unité mixte de recherche de l'Université Paris Est) aura lieu le mardi 29 mai à 15h30, dans la salle de réunion B 412 du groupe IMAGINE (ENPC - Bat. Coriolis). Self-supervision, Meta-supervision, Curiosity: Making Computers Study Harder Alexei Efros UC Berkeley Abstract: Computer vision has made impressive gains through the use of deep learning models, trained with large-scale labeled data. However, labels require expertise and curation and are expensi ...

La 9e conférence « Asia-Pacific Conference of Transducers and Micro-Nano Technology » (APCOT 2018) se tiendra à l'Université des Sciences et Technologies de Hong-Kong du 24 au 27 juin 2018. Tarik Bourouina, Professeur à ESIEE Paris, a été convié cette année à participer au « APCOT 2018 » en tant que Plenary Speaker. Il donnera une conférence intitulée « Towards Ubiquitous Sensing and Analysis with MEMS: The Virtues of Light and Co-integration of Functional Nanom ...

Un séminaire de l'équipe A3SI du LIGM (unité mixte de recherche de l'Université Paris Est) aura lieu le jeudi 17 mai de 13h30 à 14h30 à ESIEE Paris (salle 210). Supervised Transform Learning Jyoti Maggu IIIT Delhi Abstract: Representation learning techniques have gained popularity over the years. Machine Learning community is well aware of several representation learning tools, viz. AutoEncoders, Deep belief networks, Convolutional Neural Networks and Dictionary Learning(similar to matrix f ...