Mes domaines de recherche incluent l'apprentissage automatique, l'apprentissage profond (graph deep representation learning, multi-view learning), la réduction de dimensions (extraction/sélection de caractéristiques, algèbre multi-linéaire), l'analyse de données, ainsi que les applications en vision par ordinateur (classification d'images, analyse de vidéos...)

Mes travaux de recherche se concentrent sur l'exploration et le développement de techniques avancées en matière d'apprentissage sur graphes, avec un accent particulier sur les graphes neuronaux profonds (graph deep learning). Cette approche se révèle particulièrement puissante pour résoudre des problèmes complexes dans divers domaines, notamment la vision par ordinateur. Dans le cadre de notre axe de recherche sur la reconnaissance d'expressions faciales, l'utilisation du graph deep learning ouvre de nouvelles perspectives passionnantes. En exploitant cette structure sous-jacente, les techniques de graph deep learning permettent de capturer efficacement les interactions complexes entre les différentes parties du visage, offrant ainsi une compréhension plus riche et nuancée des expressions faciales. En modélisant la propagation de l'information le long des arêtes du graphe, nous pouvons saisir les influences mutuelles entre les différents points d'intérêt du visage. De plus, l'intégration de mécanismes d'attention dans notre modèle nous permet d'accorder une pondération différente à chaque connexion du graphe, mettant ainsi en évidence les régions du visage les plus pertinentes pour la reconnaissance de certaines expressions.

En outre, Nous avons également mené des travaux sur la classification d'images hyperspectrales, où nous avons développé des méthodes novatrices basées sur les graphes neuronaux profonds pour une classification précise des images hyperspectrales. Ces travaux montrent l'efficacité et la polyvalence de l'apprentissage sur graphes dans différents domaines de la vision par ordinateur. De manière plus générale, les approches innovantes avec le graph deep learning peuvent être étendues à d'autres domaines de la vision par ordinateur, tels que la détection d'objets, le tracking sur les vidéos, la reconnaissance de gestes, etc. En exploitant les avantages de cette approche dans la modélisation des relations complexes entre les éléments des données, nous pouvons ouvrir de nouvelles perspectives pour des applications variées et passionnantes.