Akrem Sellami
- INSTITUT UNIVERSITAIRE DE TECHNOLOGIE DE LILLE
- DEPARTEMENT ROUBAIX - SCIENCE DES DONNEES
Présentation
Akrem Sellami est actuellement Maître de Conférences (MCF) à l'Université de Lille. Entre 2021 et 2022, il a été ATER à Telecom Nancy (Laboratoire LORIA). Il a été chercheur postdoctoral au laboratoire LORIA de juin 2020 à juin 2021. Les travaux de recherche portent sur l'apprentissage profond sur graphes pour l'analyse d'images médicales et vidéos.
Il a été chercheur postdoctoral au sein de l'équipe Qarma (Machine Learning Team), qui est située au sein du Laboratoire d'Informatique et Systèmes (LIS), de l'Université d'Aix-Marseille (AMU). Le travail a été mené conjointement avec l'équipe Banco (Bases neuronales de la communication), Institut des neurosciences de Timone (INT). Ce projet est financé par l'Institut de la langue, de la communication et du cerveau (ILCB). Le projet porte sur la compréhension de la relation entre le cerveau et le comportement en utilisant des modèles d'apprentissage profond sur des images médicales cérébrales multimodales.
Depuis octobre 2017, il était enseignant-chercheur (ATER) à l'IUT de Paris Descartes. Il a obtenu un doctorat en Signal, Image, Vision (SIV) de l'Université de Bretagne Loire, IMT Atlantique, en 2017.
Il enseigne différents aspects de l'intelligence artificielle, l'apprentissage profond, et de la science des données.
Ses recherches actuelles incluent l'apprentissage profond, l'intelligence artificielle, l'apprentissage multi-vue, l'analyse de données fonctionnelles et l'analyse d'images médicales.
Dernières actualités
- A new paper has been published in Neural Computing and Applications journal : Refka Hanachi, Akrem Sellami, Imed Riadh Farah, and Mauro Dalla Mura, Multi-view graph representation learning for hyperspectral image classification with spectral–spatial graph neural networks
- A new paper has been published in Pattern Recognition Letters journal : Akrem Sellami, Mohamed Farah, and Mauro Dalla Mura, SHCNet: A semi-supervised hypergraph convolutional networks based on relevant feature selection for hyperspectral image classification.