English
Français
Imad BEKKOUCH
Enseignement :
Sorbonne University
- Encadrement Projets industriels 1 (EPU-N7-SPI) M1 - Sorbonne Sciences - Polytech (20h TP-0h TD-0h CM) de Septembre 2021 - Janvier 2022
- Approfondissement II: intelligence artificielle (EPU-E8-EIA) M1 - Sorbonne Sciences - Polytech (16h TP - 0h TD - 6h CM) de Janvier 2022 - Mai 2022
- Encadrement Projets industriels 2 (EPU-N8-PPI) M1 - Sorbonne Sciences - Polytech (20h TP-0h TD-0h CM) de Janvier 2022 - Mai 2022
Innopolis University:
- Introduction to Machine learning [F18] - (30h TP-0h TD-30h CM)
- Machine learning [F19] - (30h TP-0h TD-30h CM)
- Bachelor's thesis supervision [F18 - S20] - (30h TP-0h TD-0h CM)
- Advanced Machine learning [S20] - (30h TP-0h TD-30h CM)
- Advanced Computer Vision [F19] - (30h TP-0h TD-30h CM)
- Advanced Computer Vision [S20] - (30h TP-0h TD-30h CM)
- Applied Machine Learning [S20] - (30h TP-0h TD-30h CM)
Recherche :
KNOWLEDGE GRAPH EMBEDDINGS & GANS FOR MEDIEVAL MANUSCRIPT STUDIES
Les réseaux neuronaux convolutifs ont révolutionné le domaine de la vision par ordinateur et ont propulsé les réseaux neuronaux profonds en tête de la course à l'intelligence artificielle. Cependant, de nombreux problèmes se posent encore lorsqu'on travaille avec des réseaux neuronaux, et l'un des plus problématiques est leur incapacité à traiter correctement de nouvelles données, dans le monde réel, en particulier lorsque les données proviennent d'un domaine différent, et dans notre cas, ce domaine est la collection de manuscrits médiévaux. Ce problème, connu sous le nom de dérive du domaine, est le résultat direct des grandes variations des données du monde réel qui ne peuvent être modifiées. L'adaptation au domaine (AD) est un sous-domaine de l'apprentissage automatique et de l'apprentissage par transfert qui vise à résoudre la dépendance du modèle aux données d'apprentissage.
Publications :
Anomaly detection based on zero-shot outlier synthesis and hierarchical feature distillation
AR Rivera, A Khan, IEI Bekkouch, TS Sheikh
IEEE Transactions on Neural Networks and Learning Systems 33 (1), 281-291 2020
Domain Adaptation for Car Accident Detection in Videos
E Batanina, IEI Bekkouch, Y Youssef, A Khan, AM Khattak, M Bortnikov
2019 Ninth International Conference on Image Processing Theory, Tools and … 2019
Triplet loss network for unsupervised domain adaptation
IEI Bekkouch, Y Youssry, R Gafarov, A Khan, AM Khattak
Algorithms 12 (5), 96. 2019
Abstraction-based outlier detection for image data
K Yakovlev, IEI Bekkouch, AM Khan, AM Khattak
Intelligent Systems and Applications: Proceedings of the 2020 Intelligent 2021
VAE-GAN based zero-shot outlier detection
BI Ibrahim, DC Nicolae, A Khan, SI Ali, A Khattak
Proceedings of the 2020 4th International Symposium on Computer Science and 2020
Knowledge graph embedding-based domain adaptation for musical instrument recognition
V Eyharabide, IEI Bekkouch, ND Constantin
Computers 10 (8), 94 2021
Multi-agent shape models for hip landmark detection in MR scans
IEI Bekkouch, T Aidinovich, T Vrtovec, R Kuleev, B Ibragimov
Medical Imaging 2021: Image Processing 11596, 162-171 2021
Adversarial domain adaptation for medieval instrument recognition
IEI Bekkouch, ND Constantin, V Eyharabide, F Billiet
Intelligent Systems and Applications: Proceedings of the 2021 Intelligent … 2022
Few-shot object detection: Application to medieval musicological studies
BIE Ibrahim, V Eyharabide, V Le Page, F Billiet
Journal of Imaging 8 (2), 18 2022
Adversarial reconstruction loss for domain generalization
IEI Bekkouch, DC Nicolae, A Khan, SMA Kazmi, AM Khattak, B Ibragimov
IEEE Access 9, 42424-42437 2021
Dual Training for Transfer Learning: Application on Medieval Studies
IEI Bekkouch, V Eyharabide, F Billiet
2021 International Joint Conference on Neural Networks (IJCNN), 1-8 2021
Multi-landmark environment analysis with reinforcement learning for pelvic abnormality detection and quantification
IEI Bekkouch, B Maksudov, S Kiselev, T Mustafaev, T Vrtovec, ...
Medical Image Analysis 78, 102417 2022
Metastasis of sigmoid colon cancer to the breast and uterus: a case-study
AD Zakaria, AH Khan, MA Hadi, B Ibrahim
Trop Med Surg 1 (3), 1-2 2013
Bridging the domain gap for stance detection for the zulu language
G Dlamini, IEI Bekkouch, A Khan, L Derczynski
Proceedings of SAI Intelligent Systems Conference, 312-325 2022
What augmentations are sensitive to hyper-parameters and why?
CM Awais, IEI Bekkouch, AM Khan
Science and Information Conference, 449-468
2022
An Image Dataset for Lung Disease Detection and Classification
YL Bouali, I Boucetta, IEI Bekkouch, M Bouache, S Mazouzi
2021 International Conference on Theoretical and Applicative Aspects of …
2021
Adversarial Reconstruction Loss for Domain Generalization
BIE Ibrahim, DC Nicolae, A Khan, SM Ahsan Kazmi, AM Khattak, ...
IEEE Access
2021
Domain Adaptation for Stance Detection for the Zulu language
L Derczynski, IEI BEKKOUCH, G Dlamini, A Khan
Proc. LREC
2019
Intelligent Systems and Applications: Proceedings of the 2018 Intelligent Systems Conference (IntelliSys) Volume 2
S Kapoor, R Bhatia, K Arai
Springer,
2019
2019 9TH INTERNATIONAL CONFERENCE ON IMAGE PROCESSING THEORY, TOOLS AND APPLICATIONS, IPTA 2019
K Andrey, P Maxim, M Nikolay, A Khvostikov, S Xie, H Xu, H Li, A Krylov, ...
Liens :
Cursus Universitaire et Diplômes:
- Bachelor of Science in Computer Science - Constantine University 2 - Algeria - Jun 2018
- Masters of Science in Data Science - Innopolis University - Russia - Jun 2020
- Doctor of Philosophy in Applied Mathematics - Soutenance December 2023 - Sorbonne University - Paris
Intitulé de la thèse : Auxiliary learning & Adversarial training pour les études des manuscrits médiévaux
Tutelles
Nous contacter
Institut de recherche en Musicologie (UMR 8223)
Bibliothèque Nationale de France
Quai François Mauriac
75706 PARIS CEDEX 13
Secrétariat : +33(0) 1 53 79 37 10
par courriel
Sorbonne Université
Centre Univ. Clignancourt
salle 524 (informatique), bureau 531 (direction)
2, rue Francis de Croisset 75018 PARIS
Tél : +33 1 53 09 56 00
Centre Sorbonne
Salle Pirro
1, rue Victor Cousin 75005 PARIS
Tél : +33 1 40 46 22 11
Maison de la recherche
Salle 312 et 313
28, rue Serpente 75006 PARIS
Tél : +33 1 53 10 57 00