Erwan LE PENNEC

Causalité, sensibilité et incertitude

Mon, 01 Jan 0001 00:00:00 +0000

en collaboration avec J. Garnier, A. Dhaou (thèse 2021–2024), P. Monchot (thèse 2020–2023), L. Coquelin et N. Fischer

Deux thèses industrielles (CIFRE) nous ont conduits à des questions d’interprétabilité et de fiabilité des modèles d’apprentissage : quelles variables gouvernent le comportement d’un système, et comment l’incertitude sur les entrées affecte une prédiction.

Règles causales et interprétables pour les séries temporelles multivariées

Avec A. Dhaou (thèse 2021–2024, CIFRE TotalEnergies) et J. Garnier, nous avons conçu une méthode qui apprend des règles interprétables à partir de séries temporelles multivariées et conserve celles qui sont étayées par une analyse causale (KDD 2021). Ces travaux ont donné lieu à un brevet sur le contrôle d’un système (FR3124868B1).

Propagation de l’incertitude des entrées dans des réseaux de neurones entraînés

Avec P. Monchot (thèse 2020–2023, CIFRE avec le Laboratoire national de métrologie et d’essais (LNE)), L. Coquelin et N. Fischer, nous avons étudié comment l’incertitude sur les entrées d’un réseau de neurones déjà entraîné se propage à ses sorties, et proposé une alternative efficace à l’échantillonnage de Monte-Carlo pour la calculer (ICML 2023).

Publications

2023 (2)

Actes de conférences internationales

Input uncertainty propagation through trained neural networks. P. Monchot, L. Coquelin, S. Petit, S. Marmin, E. Le Pennec, N. Fischer. International Conference on Machine Learning, 2023. PDF

BibTeX

@inproceedings{monchot23,
  author = {Monchot, P. and Coquelin, L. and Petit, S. and Marmin, S. and Le Pennec, E. and Fischer, N.},
  title = {Input uncertainty propagation through trained neural networks},
  booktitle = {International Conference on Machine Learning},
  year = {2023}
}

Brevets

Procédé de contrôle d'un système et produit programme d'ordinateur associé. A. Dhaou, A. Bertoncello, S. Gourvénec, J. Garnier, E. Le Pennec. FR3124868B1, US patent application 18/575,664 (2024), 2023. PDF

BibTeX

@patent{Dhaou23p,
  author = {Dhaou, A. and Bertoncello, A. and Gourvénec, S. and Garnier, J. and Le Pennec, E.},
  title = {Procédé de contrôle d'un système et produit programme d'ordinateur associé},
  number = {FR3124868B1},
  note = {US patent application 18/575,664 (2024)},
  year = {2023}
}

2021 (1)

Actes de conférences internationales

Causal and Interpretable Rules for Time Series Analysis. A. Dhaou, A. Bertoncello, S. Gourvénec, J. Garnier, E. Le Pennec. Knowledge Discovery and Data Mining, pp. 2764–2772, 2021. PDF DOI

BibTeX

@inproceedings{Dhaou21,
  author = {Dhaou, A. and Bertoncello, A. and Gourvénec, S. and Garnier, J. and Le Pennec, E.},
  title = {Causal and Interpretable Rules for Time Series Analysis},
  booktitle = {Knowledge Discovery and Data Mining},
  pages = {2764–2772},
  year = {2021},
  doi = {10.1145/3447548.3467161}
}

Classification par modèles de mélange et estimation de densité conditionnelle

Mon, 01 Jan 0001 00:00:00 +0000

en collaboration avec S. Cohen, L. Montuelle (thèse 2011–2014) et E. Derman (ingénieure de recherche 2016–2017)

La classification non supervisée repose souvent sur des mélanges de gaussiennes dont les composantes sont associées à des classes. Le choix du nombre de classes est alors un problème de sélection de modèles, qui nous a conduits d’une application en imagerie hyperspectrale à une analyse générale de l’estimation de densité conditionnelle.

Mélanges de gaussiennes spatialisés pour l’imagerie hyperspectrale

Avec S. Cohen, nous avons proposé une extension de ce modèle dans laquelle les proportions du mélange dépendent d’une covariable, la position du pixel, ainsi qu’un schéma numérique efficace et un critère de sélection de modèles pour le nombre de classes. La segmentation non supervisée d’images hyperspectrales ainsi obtenue a été utilisée sur des données réelles à IPANEMA, plateforme d’étude des matériaux anciens située au synchrotron SOLEIL (GRETSI 2011, OGST 2014).

Estimation de densité conditionnelle par vraisemblance pénalisée

Avec S. Cohen, nous avons démontré que, plus généralement, l’estimation de densité conditionnelle peut être réalisée par maximum de vraisemblance pénalisé sous des hypothèses faibles sur la collection de modèles. Cette analyse est illustrée par deux stratégies fondées sur des partitions, constantes par morceaux en la covariable, combinées soit à des densités polynomiales par morceaux, soit à des mélanges de gaussiennes (ESAIM P&S 2013). Pendant sa thèse, L. Montuelle a étendu cette approche aux mélanges de régressions gaussiennes à poids logistiques (EJS 2014).

Classification de données catégorielles

Avec E. Derman, nous avons étendu ces résultats aux mélanges d’histogrammes, afin de classer des vecteurs de données catégorielles de tailles différentes (prépublication 2017).

La collaboration avec S. Cohen se poursuit dans le thème actuel apprentissage automatique pour les sciences de la conservation.

Publications

2017 (1)

Prépublications

Clustering and Model Selection via Penalized Likelihood for Different-sized Categorical Data Vectors. E. Derman, E. Le Pennec. Preprint, 2017. PDF arXiv

BibTeX

@article{Derman17,
  author = {Derman, E. and Le Pennec, E.},
  title = {Clustering and Model Selection via Penalized Likelihood for Different-sized Categorical Data Vectors},
  journal = {Preprint},
  year = {2017},
  eprint = {1709.02294},
  archiveprefix = {arXiv}
}

2014 (2)

Articles de revue

Mixture of Gaussian regressions model with logistic weights, a penalized maximum likelihood approach. L. Montuelle, E. Le Pennec. Electron. J. Statist., 8(1):1661-1695, 2014. PDF DOI arXiv HAL

BibTeX

@article{montuelle12:_condit,
  author = {Montuelle, L. and Le Pennec, E.},
  title = {Mixture of Gaussian regressions model with logistic weights, a penalized maximum likelihood approach},
  journal = {Electron. J. Statist.},
  number = {1},
  volume = {8},
  pages = {1661-1695},
  year = {2014},
  doi = {10.1214/14-EJS939},
  eprint = {1304.2696},
  archiveprefix = {arXiv}
}

Unsupervised segmentation of hyperspectral images with spatialized Gaussian mixture model and model selection. S. Cohen, E. Le Pennec. OGST, 69(2):245–260, 2014. PDF DOI

BibTeX

@article{cohen14:unsupseg,
  author = {Cohen, S. and Le Pennec, E.},
  title = {Unsupervised segmentation of hyperspectral images with spatialized {Gaussian} mixture model and model selection},
  journal = {OGST},
  number = {2},
  volume = {69},
  pages = {245--260},
  year = {2014},
  doi = {10.2516/ogst/2014013}
}

2013 (3)

Articles de revue

Partition-Based Conditional Density Estimation. S. Cohen, E. Le Pennec. ESAIM Probab. Stat., 17:672–697, 2013. PDF DOI

BibTeX

@article{cohen12:_partit_based_condit_densit_estim,
  author = {Cohen, S. and Le Pennec, E.},
  title = {Partition-Based Conditional Density Estimation},
  journal = {ESAIM Probab. Stat.},
  volume = {17},
  pages = {672--697},
  year = {2013},
  doi = {10.1051/ps/2012017}
}

Actes de conférences nationales

Régression gaussienne à poids logistiques et maximum de vraisemblance pénalisé. L. Montuelle, E. Le Pennec. Journée de la SFdS, Toulouse, 2013. PDF HAL

BibTeX

@inproceedings{MontSfdS13,
  author = {Montuelle, L. and Le Pennec, E.},
  title = {Régression gaussienne à poids logistiques et maximum de vraisemblance pénalisé},
  booktitle = {Journée de la SFdS},
  address = {Toulouse},
  year = {2013}
}

Prépublications

Conditional Density Estimation by Penalized Likelihood Model Selection. S. Cohen, E. Le Pennec. Preprint, 2013. PDF

BibTeX

@article{cohen11:_condit_densit_estim_penal_likel_model,
  author = {Cohen, S. and Le Pennec, E.},
  title = {Conditional Density Estimation by Penalized Likelihood Model Selection},
  journal = {Preprint},
  year = {2013}
}

2011 (3)

Articles de revue

European research platform IPANEMA at the SOLEIL synchrotron for ancient and historical materials. L. Bertrand, M.-A. Languille, S. Cohen, L. Robinet, C. Gervais, S. Leroy, D. Bernard, E. Le Pennec, W. Josse, J. Doucet, S. Schöder. J. Synchrotron Radiat., 18(5):765–772, 2011. PDF DOI

BibTeX

@article{bertrand11:_europ_ipanem_soleil,
  author = {Bertrand, L. and Languille, M.-A. and Cohen, S. and Robinet, L. and Gervais, C. and Leroy, S. and Bernard, D. and Le Pennec, E. and Josse, W. and Doucet, J. and Schöder, S.},
  title = {European research platform {IPANEMA} at the {SOLEIL} synchrotron for ancient and historical materials},
  journal = {J. Synchrotron Radiat.},
  number = {5},
  volume = {18},
  pages = {765--772},
  year = {2011},
  doi = {10.1107/S090904951102334X}
}

Actes de conférences nationales

Segmentation non supervisée d'image hyperspectrale par mélange de gaussiennes spatialisé. S. Cohen, E. Le Pennec. GRETSI 11, Bordeaux, 2011. PDF HAL

BibTeX

@inproceedings{cohen11:_segmen,
  author = {Cohen, S. and Le Pennec, E.},
  title = {Segmentation non supervisée d'image hyperspectrale par mélange de gaussiennes spatialisé},
  booktitle = {GRETSI 11},
  address = {Bordeaux},
  year = {2011}
}

Rapports techniques

Conditional Density Estimation by Penalized Likelihood Model Selection and Applications. S. Cohen, E. Le Pennec. INRIA, RR-7596, 2011. PDF arXiv HAL

BibTeX

@techreport{cohen11:_condit_densit_estim_penal_selec,
  author = {Cohen, S. and Le Pennec, E.},
  title = {Conditional Density Estimation by Penalized Likelihood Model Selection and Applications},
  institution = {INRIA},
  year = {2011},
  eprint = {1103.2021},
  archiveprefix = {arXiv}
}

Exposés

2015 (2)

Hyperspectral Image Segmentation by Spatialized Gaussian Mixtures and Model Selection. E. Le Pennec, S. Cohen. GdT ENS Ulm, ENS Ulm, rue d'Ulm, Paris, France, mai 2015. Transparents
Mixture of Gaussian Regressions with logistic weights and conditional density estimation. E. Le Pennec, L. Montuelle. ANR Calibration, Université de Nice, Nice, France, mars 2015. Transparents

2014 (6)

Hyperspectral Image Segmentation by Spatialized Gaussian Mixtures and Model Selection. E. Le Pennec, S. Cohen. Sem. IMB, Université Bordeaux, place de la Victoire, Bordeaux, France, décembre 2014. Transparents
Hyperspectral Image Segmentation by Spatialized Gaussian Mixtures and Model Selection. E. Le Pennec, S. Cohen. Colloquium MAP5, Université Paris Descartes, rue des Saints-Pères, Paris, France, décembre 2014. Transparents
Non-supervised hyperspectral image segmentation, a conditional density approach. E. Le Pennec, S. Cohen. Daspac, Université Paris Diderot, Paris, France, mai 2014. Transparents
Mixture of Gaussian Regressions with logistic weights and conditional density estimation. E. Le Pennec, L. Montuelle. Alea (CMAP), École polytechnique, Palaiseau, France, mars 2014. Transparents
Mixture of Gaussian Regressions with logistic weights and conditional density estimation. E. Le Pennec, L. Montuelle. Sem. Dauphine, Université Paris Dauphine, Paris, France, mars 2014. Transparents
Hyperspectral Image Segmentation by Spatialized Gaussian Mixtures and Model Selection. E. Le Pennec, S. Cohen. Sem. CMLA, E.N.S., Cachan, France, janvier 2014. Transparents

2013 (5)

Hyperspectral Image Segmentation by Spatialized Gaussian Mixtures and Model Selection. E. Le Pennec, S. Cohen. GdT Neurospin/Select, CEA, Saclay, France, juin 2013. Transparents
Hyperspectral Image Segmentation by Spatialized Gaussian Mixtures and Model Selection. E. Le Pennec, S. Cohen. SMAI 2013, Seignosse, France, mai 2013. Transparents
Some (statistical) applications of Ockham's principle. E. Le Pennec. HdR, Paris Sud, Université Paris Sud, Orsay, France, mars 2013. Transparents
Hyperspectral Image Segmentation by Spatialized Gaussian Mixtures and Model Selection. E. Le Pennec, S. Cohen. Séminaire, CMAP, École polytechnique, Palaiseau, France, mars 2013. Transparents
Hyperspectral Image Segmentation by Spatialized Gaussian Mixtures and Model Selection. E. Le Pennec, S. Cohen. Statistical Image Analysis, Santa Fe, Santa Fe, New Mexico, USA, mars 2013. Transparents

2012 (2)

Unsupervised hyperspectral image segmentation, conditional density estimation and penalized maximum likelihood model selection. E. Le Pennec, S. Cohen. CLAPEM XII, Viña del Mar, Viña del Mar, Chile, mars 2012. Transparents
Conditional density estimation by penalized maximum likelihood model selection. E. Le Pennec, S. Cohen. III Symposium of Statistical Modeling, Valparaiso, Universidad de Valparaiso, Valparaiso, Chile, mars 2012. Transparents

2011 (6)

Hyperspectral Image Segmentation by Spatialized Gaussian Mixtures and Model Selection. E. Le Pennec, S. Cohen. Marseille, CIRM, Luminy, Marseille, France, novembre 2011. Transparents
Autour de deux problèmes d'optimisation en estimation statistique. E. Le Pennec, S. Cohen. Avignon, Université d'Avignon, Avignon, France, novembre 2011. Transparents
Segmentation non supervisée d'image hyperspectrale par mélange de gaussiennes spatialisé. E. Le Pennec, S. Cohen. GRETSI11, Bordeaux, Université Bordeaux 1, Bordeaux, France, septembre 2011. Transparents
Segmentation non supervisée, mélange de gaussiennes et algorithme E.M. E. Le Pennec, S. Cohen. Journées conjointes GDR MOA et GDR MSPC, La Londe, Var, France, juin 2011. Transparents
Estimation de densités conditionnelles par sélection de modèles et application à la segmentation d'images hyperspectrales. E. Le Pennec, S. Cohen. Modal'X, Nanterre, Université Nanterre Paris Ouest, Nanterre, France, février 2011. Transparents
Estimation de densités conditionnelles par sélection de modèles et application à la segmentation d'images hyperspectrales. E. Le Pennec, S. Cohen. IECN, Nancy, Université de Nancy 1, Nancy, France, janvier 2011. Transparents

2010 (7)

Estimation de densités conditionnelles par sélection de modèles et application à la segmentation d'images hyperspectrales. E. Le Pennec, S. Cohen. IMT, Marseille, IMT, Université Marseille, Marseille, France, décembre 2010. Transparents
Estimation de densités conditionnelles par sélection de modèles et application à la segmentation d'images hyperspectrales. E. Le Pennec, S. Cohen. Séminaire Parisien de Statistique, Institut Henri Poincaré, Paris, France, novembre 2010. Transparents
Segmentation d'images hyperspectrales par mélange de gaussiennes et sélection de modèles. E. Le Pennec, S. Cohen. GTOX, École polytechnique, Palaiseau, France, octobre 2010. Transparents
Segmentation d'images hyperspectrales par mélange de gaussiennes et sélection de modèles. E. Le Pennec, S. Cohen. Geometrica, Parc Club, Orsay, France, octobre 2010. Transparents
Segmentation d'images hyperspectrales par mélange de gaussiennes et sélection de modèles. E. Le Pennec, S. Cohen. Orsay, Université Paris Sud, Orsay, France, septembre 2010. Transparents
Segmentation d'images hyperspectrales par mélange de gaussiennes et sélection de modèles. E. Le Pennec, S. Cohen. ENSAE, ENSAE, Malakoff, France, mars 2010. Transparents
Segmentation d'images hyperspectrales. E. Le Pennec, S. Cohen. GTOX, École polytechnique, Palaiseau, France, février 2010. Transparents

Détection et synthèse de texture

Mon, 01 Jan 0001 00:00:00 +0000

en collaboration avec S. Thivin (thèse 2012–2015) et M. Prenat

Détecter de petites cibles sous-résolues dans des images optroniques est difficile lorsque le fond est une texture complexe, comme des nuages. Ce thème correspond à la thèse CIFRE de S. Thivin avec Thales Optronics, menée avec M. Prenat.

Tests de stationnarité locale pour la détection de cibles

Avec S. Thivin et M. Prenat, nous avons détecté les cibles comme des points invalidant une hypothèse de stationnarité locale de la texture de fond. Les tests reposent sur des modèles locaux simples (markoviens) estimés sur des domaines adaptés, obtenus en segmentant l’image en zones stationnaires, et nous avons porté une attention particulière à leur calibration (SFdS 2014 et 2015, OPTRO 2016).

Synthèse de textures pour la calibration

Nous avons également étudié l’utilisation d’algorithmes de synthèse de textures pour mieux calibrer ces tests. Cela a conduit à une étude de la synthèse de textures de nuages et à un brevet de synthèse d’images avec M. Prenat et G. Berginc (délivré en 2023).

Publications

2023 (1)

Brevets

Procédé de synthèse d'images. M. Prenat, E. Le Pennec, G. Berginc. FR3075438B1, 2023. PDF

BibTeX

@patent{Prenat19,
  author = {Prenat, M. and Le Pennec, E. and Berginc, G.},
  title = {Procédé de synthèse d'images},
  number = {FR3075438B1},
  year = {2023}
}

2015 (1)

Actes de conférences nationales

Détection automatique de cibles sous-résolues. S. Thivin, E. Le Pennec, M. Prenat. Journée de la SFdS, Lille, 2015. PDF

BibTeX

@inproceedings{ThivSfdS15,
  author = {Thivin, S. and Le Pennec, E. and Prenat, M.},
  title = {Détection automatique de cibles sous-résolues},
  booktitle = {Journée de la SFdS},
  address = {Lille},
  year = {2015}
}

2014 (1)

Actes de conférences nationales

Détection de cibles dans des textures complexes, une approche par segmentation d'images en zones stationnaires. S. Thivin, E. Le Pennec, M. Prenat. Journée de la SFdS, Rennes, 2014. PDF

BibTeX

@inproceedings{ThivSfdS14,
  author = {Thivin, S. and Le Pennec, E. and Prenat, M.},
  title = {Détection de cibles dans des textures complexes, une approche par segmentation d'images en zones stationnaires},
  booktitle = {Journée de la SFdS},
  address = {Rennes},
  year = {2014}
}

Exposés

2016 (1)

Detection Algorithm for Small Targets in Images of Complex Backgrounds. S. Thivin, M. Prenat, E. Le Pennec. OPTRO16, OCDE, Paris, France, février 2016. Transparents

NL-Means et agrégation PAC-bayésienne

Mon, 01 Jan 0001 00:00:00 +0000

en collaboration avec J. Salmon (thèse 2007–2010) et L. Montuelle (thèse 2011–2014)

L’agrégation à poids exponentiels combine une famille d’estimateurs en pondérant chacun d’eux selon son risque estimé, et les bornes PAC-bayésiennes fournissent des garanties fines pour ce type de procédures. Ce thème a débuté avec la thèse de J. Salmon, réalisée sous ma direction, qui a relié ces idées statistiques au débruitage d’images par patchs.

Les NL-Means comme procédure d’agrégation

Avec J. Salmon, nous avons montré que l’algorithme de débruitage NL-Means, qui remplace chaque pixel par une moyenne pondérée des pixels dont le voisinage (patch) est similaire, peut s’interpréter comme une agrégation à poids exponentiels d’estimateurs élémentaires construits sur des patchs (ICIP 2009, SPIE Wavelet XIII 2009). Ce point de vue a conduit à des améliorations numériques de la méthode, que J. Salmon a ensuite approfondies dans ses propres travaux.

Agrégation PAC-bayésienne d’estimateurs affines

Avec L. Montuelle, nous avons étudié l’agrégation PAC-bayésienne d’estimateurs par projection et, plus généralement, d’estimateurs affines. En utilisant des poids exponentiels calculés à partir d’un risque pénalisé, nous avons obtenu des inégalités oracle en déviation, et non seulement en espérance (actes Springer d’ISNPS 2018).

Publications

2018 (1)

Articles de revue

PAC-Bayesian aggregation of affine estimators. L. Montuelle, E. Le Pennec. Nonparametric Statistics (3rd ISNPS, Avignon, 2016), Springer Proceedings in Mathematics & Statistics, Springer, pp. 133–144, 2018. PDF DOI arXiv

BibTeX

@incollection{montuelle18:_pac,
  author = {Montuelle, L. and Le Pennec, E.},
  title = {PAC-Bayesian aggregation of affine estimators},
  booktitle = {Nonparametric Statistics (3rd ISNPS, Avignon, 2016)},
  editor = {Bertail, P. and Blanke, D. and Cornillon, P.-A. and Matzner-Løber, E.},
  series = {Springer Proceedings in Mathematics \& Statistics},
  publisher = {Springer},
  pages = {133--144},
  year = {2018},
  doi = {10.1007/978-3-319-96941-1_9},
  eprint = {1410.0661},
  archiveprefix = {arXiv}
}

2014 (1)

Actes de conférences nationales

Agrégation PAC-bayésienne d'estimateurs par projection. L. Montuelle, E. Le Pennec. Journée de la SFdS, Rennes, 2014. PDF HAL

BibTeX

@inproceedings{MontSfdS14,
  author = {Montuelle, L. and Le Pennec, E.},
  title = {Agrégation PAC-bayésienne d'estimateurs par projection},
  booktitle = {Journée de la SFdS},
  address = {Rennes},
  year = {2014}
}

2009 (3)

Actes de conférences internationales

NL-Means and aggregation procedures. J. Salmon, E. Le Pennec. ICIP 09, Cairo, pp. 2977–2980, 2009. PDF DOI

BibTeX

@inproceedings{salmon09:_nl_means,
  author = {Salmon, J. and Le Pennec, E.},
  title = {{NL-Means} and aggregation procedures},
  booktitle = {ICIP 09},
  pages = {2977--2980},
  address = {Cairo},
  year = {2009},
  doi = {10.1109/ICIP.2009.5414512}
}

An aggregator point of view on NL-Means. E. Le Pennec, J. Salmon. SPIE Wavelet XIII 09, San Diego, 2009. PDF DOI

BibTeX

@inproceedings{le09:_nl_means,
  author = {Le Pennec, E. and Salmon, J.},
  title = {An aggregator point of view on {NL-Means}},
  booktitle = {SPIE Wavelet XIII 09},
  address = {San Diego},
  year = {2009},
  doi = {10.1117/12.826881}
}

Actes de conférences nationales

Agrégation d'estimateurs pour le débruitage d'image. J. Salmon, E. Le Pennec. Journée de la SFdS, Bordeaux, 2009. PDF HAL

BibTeX

@inproceedings{le09:_agreg,
  author = {Salmon, J. and Le Pennec, E.},
  title = {Agrégation d'estimateurs pour le débruitage d'image},
  booktitle = {Journée de la SFdS},
  address = {Bordeaux},
  year = {2009}
}

Exposés

2011 (1)

A brief survey of patch-based methods. E. Le Pennec, J. Salmon. Computational Methods for High Dimensional and Complex Data Sets, Santa Fe, Santa Fe, New Mexico, USA, avril 2011. Transparents

2010 (2)

PAC-Bayesian approach for kernel methods. J. Salmon, E. Le Pennec. Journées MAS et Journée en l'honneur de Jacques Neveu, Talence, France, août 2010. Transparents
An aggregated point of view on NL-Means. E. Le Pennec, J. Salmon. Modélisation Statistique des Images, CIRM, Luminy, Marseille, France, mai 2010. Transparents

2009 (2)

Un point de vue agrégé sur les NL-Means. E. Le Pennec, J. Salmon. Journée STAR, Rennes, Université Rennes, campus de Beaulieu, Rennes, France, octobre 2009. Transparents
An aggregator point of view on NL-Means. E. Le Pennec, J. Salmon. SPIE Wavelet XIII, San Diego, San Diego, USA, août 2009. Transparents

Needlets et applications

Mon, 01 Jan 0001 00:00:00 +0000

en collaboration avec G. Kerkyacharian, D. Picard, E. Gautier, M. Bergounioux et E. Trélat

Les needlets, introduites par P. Petrushev et ses coauteurs, sont des trames de fonctions très localisées, adaptées à la géométrie de domaines comme la sphère ou la boule. Nous les avons utilisées pour construire des estimateurs adaptatifs pour des problèmes inverses ayant ce type de géométrie.

Needlets de Radon pour la tomographie

Avec G. Kerkyacharian, G. Kyriazis, P. Petrushev et D. Picard, nous avons d’abord construit des needlets à partir de la décomposition en valeurs singulières de la transformée de Radon et les avons utilisées dans une méthode d’inversion linéaire (ACHA 2010). Avec G. Kerkyacharian et D. Picard, nous avons ensuite proposé une stratégie de seuillage en needlets pour inverser la transformée de Radon dans le modèle du bruit blanc. L’estimateur obtenu est adaptatif et quasi-optimal au sens minimax pour une large gamme d’espaces de Besov, et des expériences numériques confirment ce bon comportement (Bernoulli 2012).

Modèle de choix binaire à coefficients aléatoires

Avec E. Gautier, nous avons étudié un modèle économétrique classique, le modèle de choix binaire à coefficients aléatoires. Retrouver la densité des coefficients aléatoires est un problème inverse sur une demi-hypersphère, combiné à une estimation de densité conditionnelle. Grâce à une construction de needlets et à des seuils adaptés, nous avons obtenu des estimateurs adaptatifs (EJS 2018).

Reconstruction tomographique à partir de peu de vues

Avec M. Bergounioux et E. Trélat, ainsi qu’avec I. Abraham, R. Abraham et G. Carlier, j’ai également travaillé sur des méthodes variationnelles de reconstruction tomographique à partir de très peu de vues (Milan J. Math. 2018), notamment des méthodes variationnelles d’ordre fractionnaire pour des images binaires (prépublication 2018).

Publications

2018 (3)

Articles de revue

Variational Methods for Tomographic Reconstruction with Few Views. M. Bergounioux, I. Abraham, R. Abraham, G. Carlier, E. Le Pennec, E. Trélat. Milan Journal of Mathematics, 86(2):157–200, 2018. PDF DOI

BibTeX

@article{bergounioux18:_variat_method_tomog_recon_few_views,
  author = {Bergounioux, M. and Abraham, I. and Abraham, R. and Carlier, G. and Le Pennec, E. and Trélat, E.},
  title = {Variational Methods for Tomographic Reconstruction with Few Views},
  journaltitle = {Milan Journal of Mathematics},
  number = {2},
  volume = {86},
  pages = {157--200},
  year = {2018},
  doi = {10.1007/s00032-018-0285-1}
}

Adaptive Estimation in the Nonparametric Random Coefficients Binary Choice Model by Needlet Thresholding. E. Gautier, E. Le Pennec. EJS, 12(1):277–320, 2018. PDF DOI arXiv HAL

BibTeX

@article{gautier16:_adapt_estim_nonpar_random_coeff,
  author = {Gautier, E. and Le Pennec, E.},
  title = {Adaptive Estimation in the Nonparametric Random Coefficients Binary Choice Model by Needlet Thresholding},
  journal = {EJS},
  number = {1},
  volume = {12},
  pages = {277--320},
  year = {2018},
  doi = {10.1214/17-EJS1383},
  eprint = {1106.3503},
  archiveprefix = {arXiv}
}

Prépublications

Fractional-order variational numerical methods for tomographic reconstruction of binary images. M. Bergounioux, E. Le Pennec, E. Trélat. Preprint, 2018. PDF HAL

BibTeX

@article{Bergounioux18,
  author = {Bergounioux, M. and Le Pennec, E. and Trélat, E.},
  title = {Fractional-order variational numerical methods for tomographic reconstruction of binary images},
  journal = {Preprint},
  year = {2018}
}

2016 (1)

Vulgarisation

El arte de cortar las cabezas sin dañar las. E. Le Pennec. Revista del Profesor de Matemática, 2016. PDF

BibTeX

@article{le16:_elarte,
  author = {Le Pennec, E.},
  title = {El arte de cortar las cabezas sin dañar las},
  journaltitle = {Revista del Profesor de Matemática},
  year = {2016}
}

2013 (2)

Rapports techniques

Adaptive Estimation in the Nonparametric Random Coefficients Binary Choice Model by Needlet Thresholding (extended version). E. Gautier, E. Le Pennec. Inria, RR-7647, 2013. PDF arXiv HAL

BibTeX

@techreport{gautier11:_adapt_estim_nonpar_random_coeff,
  author = {Gautier, E. and Le Pennec, E.},
  title = {Adaptive Estimation in the Nonparametric Random Coefficients Binary Choice Model by Needlet Thresholding (extended version)},
  institution = {Inria},
  year = {2013},
  eprint = {1106.3503},
  archiveprefix = {arXiv}
}

Vulgarisation

L'art de couper les têtes sans faire mal. E. Le Pennec. Mathématiques, l'explosion continue, 2013. PDF

BibTeX

@article{le13:_lart,
  author = {Le Pennec, E.},
  title = {L'art de couper les têtes sans faire mal},
  journaltitle = {Mathématiques, l'explosion continue},
  year = {2013}
}

2012 (1)

Articles de revue

Radon needlet thresholding. G. Kerkyacharian, E. Le Pennec, D. Picard. Bernoulli, 18(2):391–433, 2012. PDF DOI arXiv HAL

BibTeX

@article{kerkyachaian10:_radon,
  author = {Kerkyacharian, G. and Le Pennec, E. and Picard, D.},
  title = {Radon needlet thresholding},
  journal = {Bernoulli},
  number = {2},
  volume = {18},
  pages = {391--433},
  year = {2012},
  doi = {10.3150/10-BEJ340},
  eprint = {0908.2514},
  archiveprefix = {arXiv}
}

2010 (1)

Articles de revue

Inversion of noisy Radon transform by SVD based needlets. G. Kerkyacharian, G. Kyriazis, E. Le Pennec, P. Petrushev, D. Picard. Appl. Comput. Harmon. Anal., 28(1):24–45, 2010. PDF DOI arXiv HAL

BibTeX

@article{kerkyacharian10:_inver_radon_svd,
  author = {Kerkyacharian, G. and Kyriazis, G. and Le Pennec, E. and Petrushev, P. and Picard, D.},
  title = {Inversion of noisy {Radon} transform by SVD based needlets},
  journal = {Appl. Comput. Harmon. Anal.},
  number = {1},
  volume = {28},
  pages = {24--45},
  year = {2010},
  doi = {10.1016/j.acha.2009.06.001},
  eprint = {0809.3332},
  archiveprefix = {arXiv}
}

2007 (1)

Vulgarisation

Des lunettes pour un télescope spatial sans aller dans l'espace? E. Le Pennec, D. Picard. Math Enigmes Express (CIJM), 2007. PDF

BibTeX

@article{le07:_des,
  author = {Le Pennec, E. and Picard, D.},
  title = {Des lunettes pour un télescope spatial sans aller dans l'espace?},
  journal = {Math Enigmes Express (CIJM)},
  year = {2007}
}

Exposés

2013 (1)

Some (statistical) applications of Ockham's principle. E. Le Pennec. HdR, Paris Sud, Université Paris Sud, Orsay, France, mars 2013. Transparents

2011 (1)

Inversion tomographique par needlets de Radon ou l'art de couper efficacement les têtes sans trop faire mal. G. Kerkyacharian, E. Le Pennec, D. Picard. ANR DEMOS, Toulouse, Université Paul Sabatier, Toulouse, France, juin 2011. Transparents

2009 (2)

Inversion tomographique par needlets de Radon ou l'art de couper efficacement les têtes sans trop faire mal. G. Kerkyacharian, E. Le Pennec, D. Picard. Séminaire Image, 175 rue du Chevaleret, Paris, France, octobre 2009. Transparents
Inversion tomographique par needlets de Radon. G. Kerkyacharian, E. Le Pennec, D. Picard. CEREMADE, Université Paris Dauphine, Paris, France, janvier 2009. Transparents

2008 (7)

Inversion tomographique par needlets de Radon. G. Kerkyacharian, E. Le Pennec, D. Picard. Lille, Université Lille 1, Villeneuve-d'Ascq, France, novembre 2008. Transparents
Inversion tomographique par needlets de Radon. G. Kerkyacharian, E. Le Pennec, D. Picard. Approximation, modélisation géométrique et applications 08, CIRM, CIRM, Luminy, Marseille, France, novembre 2008. Notes Poster
Inversion tomographique par needlets de Radon ou l'art de couper efficacement les têtes sans trop faire mal. G. Kerkyacharian, E. Le Pennec, D. Picard. Toulouse, Université Paul Sabatier, Toulouse, France, octobre 2008. Transparents
Needlet de Radon ou comment couper efficacement les têtes? G. Kerkyacharian, E. Le Pennec, D. Picard. Journée de Rentrée LPMA, 175 rue du Chevaleret, Paris, France, septembre 2008. Transparents
Radon Needlet. G. Kerkyacharian, E. Le Pennec, D. Picard. SIAM Imaging Sciences, San Diego, USA, août 2008. Transparents
Estimation tomographique et "needlets" de Radon. G. Kerkyacharian, E. Le Pennec, D. Picard. Orléans, Université d'Orléans, Rue de Chartres, Orléans, France, avril 2008. Transparents
Estimation tomographique et "needlets" de Radon. G. Kerkyacharian, E. Le Pennec, D. Picard. Modélisation Statistique des Images, CIRM, Luminy, Marseille, France, avril 2008. Transparents

2007 (1)

Radon Needlet. G. Kerkyacharian, E. Le Pennec, D. Picard. Rencontres de Statistiques Mathématiques, CIRM, CIRM, Luminy, Marseille, France, décembre 2007. Transparents

Pénalisation ℓ¹

Mon, 01 Jan 0001 00:00:00 +0000

en collaboration avec K. Bertin et V. Rivoirard

Les méthodes ℓ¹, comme le Lasso ou le sélecteur de Dantzig d’E. Candès et T. Tao, estiment une combinaison parcimonieuse des éléments d’un grand dictionnaire. En partant d’une question posée par A. Tsybakov, nous avons étudié le sélecteur de Dantzig dans le cadre de l’estimation de densité.

Contraintes de Dantzig calibrées sur les données

Avec K. Bertin et V. Rivoirard, nous avons montré comment exploiter pleinement le cadre de l’estimation de densité pour calibrer finement les contraintes de Dantzig à partir des données, ce qui rend la procédure entièrement automatique (AIHP 2011).

Inégalités oracle et étude numérique

Nous avons établi des inégalités oracle pour l’estimateur obtenu et confirmé son bon comportement par des expériences numériques.

Publications

2011 (1)

Articles de revue

Adaptive Dantzig density estimation. K. Bertin, E. Le Pennec, V. Rivoirard. Ann. Inst. H. Poincaré Probab. Statist., 47(1):43–74, 2011. PDF DOI arXiv HAL

BibTeX

@article{bertin10:_adapt_dantiz,
  author = {Bertin, K. and Le Pennec, E. and Rivoirard, V.},
  title = {Adaptive {Dantzig} density estimation},
  journal = {Ann. Inst. H. Poincaré Probab. Statist.},
  number = {1},
  volume = {47},
  pages = {43--74},
  year = {2011},
  doi = {10.1214/09-AIHP351},
  eprint = {0905.0884},
  archiveprefix = {arXiv}
}

Exposés

2013 (1)

Some (statistical) applications of Ockham's principle. E. Le Pennec. HdR, Paris Sud, Université Paris Sud, Orsay, France, mars 2013. Transparents

2010 (2)

Estimation de densité par pénalisation ℓ₁ minimale. K. Bertin, E. Le Pennec, V. Rivoirard. 50 ans du LPMA, Halle aux Farines, Université Paris Diderot, Paris, France, décembre 2010. Transparents Vidéo
Estimation de densité par pénalisation ℓ₁ minimale. K. Bertin, E. Le Pennec, V. Rivoirard. GdT ISIS, Telecom, rue Barrault, Paris, France, novembre 2010. Transparents

2009 (4)

Density estimation by ℓ₁ minimal penalization. K. Bertin, E. Le Pennec, V. Rivoirard. Rencontres de Statistiques Mathématiques, CIRM, CIRM, Luminy, Marseille, France, décembre 2009. Transparents
Estimation de densité par pénalisation ℓ₁ minimale. K. Bertin, E. Le Pennec, V. Rivoirard. Orsay, Université Paris Sud, Orsay, France, novembre 2009. Transparents
Adaptive Dantzig density estimation. K. Bertin, E. Le Pennec, V. Rivoirard. Berlin, Weierstrass institute, Berlin, Germany, novembre 2009. Transparents Notes
Estimation de densité par pénalisation ℓ₁ minimale. K. Bertin, E. Le Pennec, V. Rivoirard. GdT Statistique LPMA, 175 rue du Chevaleret, Paris, France, mars 2009. Transparents Notes

Estimation de la densité de copule

Mon, 01 Jan 0001 00:00:00 +0000

en collaboration avec F. Autin et K. Tribouley

La copule d’un vecteur aléatoire décrit la dépendance entre ses coordonnées, indépendamment de leurs lois marginales. Le seuillage en ondelettes étant une technique non paramétrique très souple, nous l’avons appliqué à l’estimation de la densité de copule.

Seuillage sur des pseudo-observations fondées sur les rangs

Avec F. Autin et K. Tribouley, nous avons proposé des estimateurs de la densité de copule par seuillage en ondelettes. Les lois marginales étant inconnues, ces estimateurs sont calculés à partir de pseudo-observations fondées sur les rangs, qui ne sont pas indépendantes : c’est la principale difficulté technique par rapport à l’estimation directe d’une densité (J. Multivariate Anal. 2010).

Adaptativité et étude numérique

Nous avons démontré que ces estimateurs sont adaptatifs et quasi-optimaux au sens minimax sur des boules de Besov, et nous avons comparé plusieurs méthodes de seuillage par des expériences numériques sur des données simulées et réelles.

Publications

2010 (1)

Articles de revue

Thresholding methods to estimate the copula density. F. Autin, E. Le Pennec, K. Tribouley. J. Multivariate Anal., 101(1):200–222, 2010. PDF DOI arXiv HAL

BibTeX

@article{autin10:_thres,
  author = {Autin, F. and Le Pennec, E. and Tribouley, K.},
  title = {Thresholding methods to estimate the copula density},
  journal = {J. Multivariate Anal.},
  number = {1},
  volume = {101},
  pages = {200--222},
  year = {2010},
  doi = {10.1016/j.jmva.2009.07.009},
  eprint = {0802.2424},
  archiveprefix = {arXiv}
}

2008 (1)

Rapports techniques

Thresholding methods to estimate the copula density. F. Autin, E. Le Pennec, K. Tribouley. LPMA, Extended version arXiv:0802.2424, 2008. PDF arXiv

BibTeX

@techreport{autin08:_thres,
  author = {Autin, F. and Le Pennec, E. and Tribouley, K.},
  title = {Thresholding methods to estimate the copula density},
  institution = {LPMA},
  note = {Extended version arXiv:0802.2424},
  year = {2008},
  eprint = {0802.2424},
  archiveprefix = {arXiv}
}

Maxisets pour la sélection de modèles

Mon, 01 Jan 0001 00:00:00 +0000

en collaboration avec F. Autin, J.-M. Loubes et V. Rivoirard

Le maxiset d’une procédure d’estimation est le plus grand espace fonctionnel sur lequel elle atteint une vitesse de convergence donnée. Nos travaux sur les bandelettes ont soulevé une question naturelle : quelles fonctions sont réellement bien estimées par un estimateur par sélection de modèles, comme un estimateur par seuillage ou en bandelettes ?

Maxisets des estimateurs par sélection de modèles

Avec F. Autin, J.-M. Loubes et V. Rivoirard, nous avons montré que, sous des hypothèses faibles sur la structure de la collection de modèles, les fonctions bien estimées par sélection de modèles pénalisée sont exactement celles qui sont bien approchées par les modèles de faible dimension de la collection, et seulement celles-ci (Constr. Approx. 2010).

Des ondelettes aux bandelettes

Nous avons illustré ces résultats sur des collections classiques de modèles d’ondelettes, pour lesquelles les maxisets se décrivent à l’aide d’espaces fonctionnels, et nous les avons utilisés, dans des exposés communs avec l’équipe des bandelettes, pour expliquer ce qu’estiment réellement les estimateurs en bandelettes en traitement d’images.

Publications

2010 (1)

Articles de revue

Maxisets for Model Selection. F. Autin, E. Le Pennec, J.-M. Loubes, V. Rivoirard. Constr. Approx., 31(2):195–229, 2010. PDF DOI arXiv HAL

BibTeX

@article{autin10:_maxis_model_selec_estim,
  author = {Autin, F. and Le Pennec, E. and Loubes, J.-M. and Rivoirard, V.},
  title = {Maxisets for Model Selection},
  journal = {Constr. Approx.},
  number = {2},
  volume = {31},
  pages = {195--229},
  year = {2010},
  doi = {10.1007/s00365-009-9062-2},
  eprint = {0802.4192},
  archiveprefix = {arXiv}
}

Exposés

2013 (1)

Some (statistical) applications of Ockham's principle. E. Le Pennec. HdR, Paris Sud, Université Paris Sud, Orsay, France, mars 2013. Transparents

2009 (1)

Maxisets pour la sélection de modèles. E. Le Pennec, F. Autin, J.-M. Loubes, V. Rivoirard. Journée Statistique du Sud, Porquerolles, Porquerolles, France, juin 2009. Transparents

2008 (1)

Bandlets: Maxiset et réalité. E. Le Pennec, F. Autin, J.-M. Loubes, V. Rivoirard, C. Dossal, S. Mallat, G. Peyré. MAS 08, Université Rennes, campus de Beaulieu, Rennes, France, août 2008. Transparents

2007 (3)

Bandlets and Model Selection for Image Estimation. E. Le Pennec, F. Autin, J.-M. Loubes, V. Rivoirard, C. Dossal, S. Mallat, G. Peyré. MIM 07, CIRM, CIRM, Luminy, Marseille, France, septembre 2007. Transparents
Bandlets: Maxiset et réalité. E. Le Pennec, F. Autin, J.-M. Loubes, V. Rivoirard, C. Dossal, S. Mallat, G. Peyré. SMAI 07, Praz sur Arly, France, juin 2007. Transparents
Maxiset, sélection de modèles et estimation d'images par bandelettes. E. Le Pennec, F. Autin, J.-M. Loubes, V. Rivoirard, C. Dossal, S. Mallat, G. Peyré. GdT Apprentissage, E.N.S. Ulm, rue d'Ulm, Paris, France, janvier 2007. Transparents Vidéo

2006 (2)

Maxiset, sélection de modèles et estimation d'images par bandelettes. E. Le Pennec, F. Autin, J.-M. Loubes, V. Rivoirard, C. Dossal, S. Mallat, G. Peyré. Séminaire Parisien de Statistique, Institut Henri Poincaré, Paris, France, octobre 2006. Transparents
Qu'estiment vraiment les bandelettes en traitement d'images ? Bandelettes, sélection de modèles et maxisets. E. Le Pennec, F. Autin, J.-M. Loubes, V. Rivoirard, C. Dossal, S. Mallat, G. Peyré. Séminaire Image, 175 rue du Chevaleret, Paris, France, octobre 2006. Transparents

Bandelettes

Mon, 01 Jan 0001 00:00:00 +0000

en collaboration avec S. Mallat, G. Peyré et Ch. Dossal

Les ondelettes ne sont pas optimales pour les images contenant des contours, car elles n’exploitent pas la régularité de ces contours le long de leur direction. Les bandelettes sont des représentations adaptatives qui suivent la géométrie de l’image pour tirer parti de cette régularité (en anglais, les premiers articles utilisaient l’orthographe bandelets, devenue ensuite bandlets).

Bandelettes de première génération : approximation et compression

Pendant ma thèse sous la direction de S. Mallat, soutenue en 2002, j’ai construit la représentation en bandelettes, une trame adaptative dont les éléments multi-échelles sont allongés dans la direction d’un flot géométrique le long duquel l’image varie régulièrement (IEEE TIP 2005, MMS 2005). Nous avons démontré que, pour les images géométriques, les approximations non linéaires obtenues atteignent la vitesse optimale à des termes logarithmiques près, et nous avons transcrit ces résultats en résultats de compression, à la fois théoriquement et numériquement. Ces travaux ont été valorisés par Let It Wave, la start-up fondée en 2001 par S. Mallat, Ch. Bernard, J. Kalifa et moi-même, que j’ai accompagnée jusqu’en 2012.

Bandelettes de seconde génération : estimation quasi-optimale au sens minimax

Tirant parti de ces propriétés d’approximation, nous avons d’abord proposé un algorithme de débruitage en bandelettes fondé sur le principe de longueur de description minimale (MDL) : comprimer, c’est presque estimer. En nous appuyant ensuite sur les bases orthogonales de bandelettes de seconde génération de G. Peyré et S. Mallat, nous avons utilisé avec Ch. Dossal les techniques de sélection de modèles de L. Birgé et P. Massart pour construire un estimateur en bandelettes, dont nous avons démontré qu’il est quasi-optimal au sens minimax pour les images géométriques (SPIE Wavelet XII 2007, Signal Processing 2011).

La question de savoir quelles fonctions ces estimateurs estiment réellement bien est étudiée dans le thème maxisets.

Publications

2011 (1)

Articles de revue

Bandlet Image Estimation with Model Selection. C. Dossal, E. Le Pennec, S. Mallat. Sig. Process., 91(12):2743–2753, 2011. PDF DOI arXiv HAL

BibTeX

@article{dossal11:_bandel_image_estim_model_selec,
  author = {Dossal, Ch. and Le Pennec, E. and Mallat, S.},
  title = {Bandlet Image Estimation with Model Selection},
  journal = {Sig. Process.},
  number = {12},
  volume = {91},
  pages = {2743--2753},
  year = {2011},
  doi = {10.1016/j.sigpro.2011.01.013},
  eprint = {0809.3092},
  archiveprefix = {arXiv}
}

2007 (2)

Actes de conférences internationales

Geometrical Image Estimation with Orthogonal Bandlets Bases. G. Peyré, E. Le Pennec, C. Dossal, S. Mallat. SPIE Wavelet XII 07, San Diego, 2007. PDF DOI HAL

BibTeX

@inproceedings{dossal07:_geomet_image_estim_orthog_bandl_bases,
  author = {Peyré, G. and Le Pennec, E. and Dossal, Ch. and Mallat, S.},
  title = {Geometrical Image Estimation with Orthogonal Bandlets Bases},
  booktitle = {SPIE Wavelet XII 07},
  address = {San Diego},
  year = {2007},
  doi = {10.1117/12.731227}
}

Actes de conférences nationales

Débruitage géométrique d'image dans des bases orthonormées de bandelettes. E. Le Pennec, C. Dossal, G. Peyré, S. Mallat. GRETSI 07, Troyes, 2007. PDF HAL

BibTeX

@inproceedings{dossal07:_debruit,
  author = {Le Pennec, E. and Dossal, Ch. and Peyré, G. and Mallat, S.},
  title = {Débruitage géométrique d'image dans des bases orthonormées de bandelettes},
  booktitle = {GRETSI 07},
  address = {Troyes},
  year = {2007}
}

2006 (1)

Vulgarisation

Compression d'image. E. Le Pennec. Image des mathématiques (CNRS), 2006. PDF

BibTeX

@article{pennec06:_compr,
  author = {Le Pennec, E.},
  title = {Compression d'image},
  journal = {Image des mathématiques (CNRS)},
  year = {2006}
}

2005 (2)

Articles de revue

Sparse Geometrical Image Representation with Bandelets. E. Le Pennec, S. Mallat. IEEE Trans. Image Process., 14(4):423–438, 2005. PDF DOI

BibTeX

@article{le05:_spars_geomet_image_repres_bandel,
  author = {Le Pennec, E. and Mallat, S.},
  title = {Sparse Geometrical Image Representation with Bandelets},
  journal = {IEEE Trans. Image Process.},
  number = {4},
  volume = {14},
  pages = {423--438},
  year = {2005},
  doi = {10.1109/TIP.2005.843753}
}

Bandelet Image Approximation and Compression. E. Le Pennec, S. Mallat. Multiscale Model. Sim., 4(3):992–1039, 2005. PDF DOI

BibTeX

@article{le05:_bandel_image_approx_compr,
  author = {Le Pennec, E. and Mallat, S.},
  title = {Bandelet Image Approximation and Compression},
  journal = {Multiscale Model. Sim.},
  number = {3},
  volume = {4},
  pages = {992--1039},
  year = {2005},
  doi = {10.1137/040619454}
}

2003 (3)

Actes de conférences internationales

Geometrical Image Compression with Bandelets. E. Le Pennec, S. Mallat. VCIP 03, Lugano, Special Session, 2003. PDF DOI

BibTeX

@inproceedings{le03:_geomet_image_compr_bandel,
  author = {Le Pennec, E. and Mallat, S.},
  title = {Geometrical Image Compression with Bandelets},
  booktitle = {VCIP 03},
  address = {Lugano},
  note = {Special Session},
  year = {2003},
  doi = {10.1117/12.509904}
}

Actes de conférences nationales

Bandelettes et représentation géométrique des images. E. Le Pennec, S. Mallat. GRETSI 03, Paris, 2003. PDF

BibTeX

@inproceedings{le03:_bandel,
  author = {Le Pennec, E. and Mallat, S.},
  title = {Bandelettes et représentation géométrique des images},
  booktitle = {GRETSI 03},
  address = {Paris},
  year = {2003}
}

Rapports techniques

Adaptation of regular grid filterings to irregular grids. C. Bernard, E. Le Pennec. CMAP, 2003. PDF

BibTeX

@techreport{bernard03:_adapt,
  author = {Bernard, Ch. and Le Pennec, E.},
  title = {Adaptation of regular grid filterings to irregular grids},
  institution = {CMAP},
  year = {2003}
}

2002 (2)

Thèses

Bandelettes et représentations géométriques des images. E. Le Pennec. PhD Thesis, École Polytechnique, 2002. PDF HAL

BibTeX

@thesis{le02:_bandel,
  author = {Le Pennec, E.},
  title = {Bandelettes et représentations géométriques des images},
  school = {École Polytechnique},
  type = {PhD Thesis},
  year = {2002}
}

Brevets

Method and apparatus for processing or compressing n-dimensional signals with warped wavelets packets and bandelets. C. Bernard, J. Kalifa, E. Le Pennec, S. Mallat. PCT/EP02/14903, 2002. PDF

BibTeX

@patent{bernard02:_method,
  author = {Bernard, Ch. and Kalifa, J. and Le Pennec, E. and Mallat, S.},
  title = {Method and apparatus for processing or compressing n-dimensional signals with warped wavelets packets and bandelets},
  number = {PCT/EP02/14903},
  year = {2002}
}

2001 (3)

Actes de conférences internationales

Bandelet Representations for Image Compression. E. Le Pennec, S. Mallat. ICIP 01, Thessaloniki, Special Session, 2001. PDF DOI

BibTeX

@inproceedings{le01:_bandel_repres_image_compr,
  author = {Le Pennec, E. and Mallat, S.},
  title = {Bandelet Representations for Image Compression},
  booktitle = {ICIP 01},
  address = {Thessaloniki},
  note = {Special Session},
  year = {2001},
  doi = {10.1109/ICIP.2001.958939}
}

Actes de conférences nationales

Représentation d'image par bandelettes et application à la compression. E. Le Pennec, S. Mallat. GRETSI 01, Toulouse, 2001. PDF

BibTeX

@inproceedings{le01:_repre,
  author = {Le Pennec, E. and Mallat, S.},
  title = {Représentation d'image par bandelettes et application à la compression},
  booktitle = {GRETSI 01},
  address = {Toulouse},
  year = {2001}
}

Brevets

Method and apparatus for processing or compressing n-dimensional signals by foveal filtering along trajectories. E. Le Pennec, S. Mallat. 09/834,587, 2001. PDF

BibTeX

@patent{le01:_method,
  author = {Le Pennec, E. and Mallat, S.},
  title = {Method and apparatus for processing or compressing n-dimensional signals by foveal filtering along trajectories},
  number = {09/834,587},
  year = {2001}
}

2000 (1)

Actes de conférences internationales

Image Compression with Geometrical Wavelets. E. Le Pennec, S. Mallat. ICIP 00, Vancouver, 2000. PDF DOI

BibTeX

@inproceedings{le00:_image_compr_geomet_wavel,
  author = {Le Pennec, E. and Mallat, S.},
  title = {Image Compression with Geometrical Wavelets},
  booktitle = {ICIP 00},
  address = {Vancouver},
  year = {2000},
  doi = {10.1109/ICIP.2000.901045}
}

Exposés

2013 (1)

Some (statistical) applications of Ockham's principle. E. Le Pennec. HdR, Paris Sud, Université Paris Sud, Orsay, France, mars 2013. Transparents

2008 (1)

Bandlets: Maxiset et réalité. E. Le Pennec, F. Autin, J.-M. Loubes, V. Rivoirard, C. Dossal, S. Mallat, G. Peyré. MAS 08, Université Rennes, campus de Beaulieu, Rennes, France, août 2008. Transparents

2007 (4)

Bandlets and Model Selection for Image Estimation. E. Le Pennec, F. Autin, J.-M. Loubes, V. Rivoirard, C. Dossal, S. Mallat, G. Peyré. MIM 07, CIRM, CIRM, Luminy, Marseille, France, septembre 2007. Transparents
Débruitage géométrique d'image dans des bases orthonormées de bandelettes. C. Dossal, E. Le Pennec, S. Mallat, G. Peyré. GRETSI 07, Troyes, Troyes, France, septembre 2007. Transparents
Bandlets: Maxiset et réalité. E. Le Pennec, F. Autin, J.-M. Loubes, V. Rivoirard, C. Dossal, S. Mallat, G. Peyré. SMAI 07, Praz sur Arly, France, juin 2007. Transparents
Maxiset, sélection de modèles et estimation d'images par bandelettes. E. Le Pennec, F. Autin, J.-M. Loubes, V. Rivoirard, C. Dossal, S. Mallat, G. Peyré. GdT Apprentissage, E.N.S. Ulm, rue d'Ulm, Paris, France, janvier 2007. Transparents Vidéo

2006 (3)

Maxiset, sélection de modèles et estimation d'images par bandelettes. E. Le Pennec, F. Autin, J.-M. Loubes, V. Rivoirard, C. Dossal, S. Mallat, G. Peyré. Séminaire Parisien de Statistique, Institut Henri Poincaré, Paris, France, octobre 2006. Transparents
Qu'estiment vraiment les bandelettes en traitement d'images ? Bandelettes, sélection de modèles et maxisets. E. Le Pennec, F. Autin, J.-M. Loubes, V. Rivoirard, C. Dossal, S. Mallat, G. Peyré. Séminaire Image, 175 rue du Chevaleret, Paris, France, octobre 2006. Transparents
Estimation, Géométrie et Bandelettes. C. Dossal, E. Le Pennec, S. Mallat. 8 CFR, Chambéry, Université, Chambery, France, août 2006. Transparents

2005 (2)

Représentation multiéchelle des images et géométrie. C. Dossal, E. Le Pennec, S. Mallat. EGIM, Centrale Marseille, Marseille, France, octobre 2005. Transparents Notes
Bandelettes, estimation géométrique des images et sélection de modèles. C. Dossal, E. Le Pennec, S. Mallat. Séminaire de Probabilités, LPMA, 175 rue du Chevaleret, Paris, France, mai 2005. Transparents

2004 (7)

Bandelettes et représentations géométriques des images. C. Dossal, E. Le Pennec, S. Mallat, G. Peyré. Gdt Statistique LPMA, 175 rue du Chevaleret, Paris, France, novembre 2004. Transparents
Bandlets and Applications. C. Dossal, E. Le Pennec, S. Mallat, G. Peyré. Course (4×3h), ETHZ, Zurich, Switzerland, septembre 2004. Transparents
Bandlets: the next generation. C. Dossal, E. Le Pennec, S. Mallat, G. Peyré. IMS-IDR-CWAIP Joint Workshop on Data Representation, Singapore, NUS, Singapore, Singapore, août 2004. Transparents
Geometric Image Representation with Bandelets. C. Dossal, E. Le Pennec, S. Mallat, G. Peyré. Wavelet Theory and Applications: New Directions and Challenges, Singapore, NUS, Singapore, Singapore, août 2004. Transparents
Bandelettes et représentations géométriques des images. C. Dossal, E. Le Pennec, S. Mallat. Caen, ENSICAEN, Boulevard du Maréchal Juin, Caen, France, mai 2004. Transparents
Bandelettes et sélection de modèles. C. Dossal, E. Le Pennec, S. Mallat. Orsay, Université Paris Sud, Orsay, France, mars 2004. Transparents
Représentation géométrique des images en bandelettes. C. Dossal, E. Le Pennec, S. Mallat. Grenoble, Université Joseph Fourier, Grenoble, France, février 2004. Transparents

2003 (6)

Compression et estimation en bandelettes. E. Le Pennec, S. Mallat. Séminaire Image, 175 rue du Chevaleret, Paris, France, novembre 2003. Transparents
Bandelettes et représentations géométriques des images. E. Le Pennec, S. Mallat. ASPROM, UIMM, avenue de Wagram, Paris, octobre 2003. Transparents
De Fourier aux bandelettes. E. Le Pennec, S. Mallat. CMAP, École polytechnique, Palaiseau, France, septembre 2003. Transparents
Bandelettes et représentation géométrique des images. E. Le Pennec, S. Mallat. GRETSI 03, Paris, Telecom, rue Barrault, Paris, France, septembre 2003. Transparents
Geometrical Image Compression with Bandelets. E. Le Pennec, S. Mallat. VCIP 03, Special Session, Lugano, University, Lugano, Switzerland, juillet 2003. Transparents
Bandelettes et représentations géométriques des images. E. Le Pennec, S. Mallat. Caen, ENSICAEN, Boulevard du Maréchal Juin, Caen, France, juin 2003. Transparents

2002 (2)

Bandelette et représentation géométrique des images. E. Le Pennec. Thèse, École polytechnique, Palaiseau, France, décembre 2002. Transparents
Sparse Geometrical Image Representation with Bandelets. E. Le Pennec, S. Mallat. CEMRACS, Cirm, Luminy, Marseille, France, août 2002. Transparents

2001 (2)

Bandelet Representations for Image Compression. E. Le Pennec, S. Mallat. ICIP 01, Special Session, Thessaloniki, Thessaloniki, Greece, octobre 2001. Transparents
Représentation d'image par bandelettes et application à la compression. E. Le Pennec, S. Mallat. GRETSI 01, Toulouse, Centre des congrès, Toulouse, France, septembre 2001. Transparents

2000 (2)

Image Compression with Geometrical Wavelets. E. Le Pennec, S. Mallat. ICIP 00, Vancouver, Vancouver, Canada, septembre 2000. Transparents
Geometrical Image Compression with Wavelets. E. Le Pennec, S. Mallat. Rank Fund, Grasmere, UK, avril 2000. Transparents