Biographie
Samy Blusseau est un chercheur dont les travaux se situent à l’intersection de l’analyse d’images, de l’apprentissage profond et de la morphologie mathématique. Ses recherches portent principalement sur le développement de réseaux de neurones morphologiques, combinant des outils théoriques issus de la morphologie mathématique avec des architectures d’apprentissage profond pour résoudre des problèmes complexes en traitement d’images. Ses contributions incluent l’étude des limitations des méthodes d’optimisation basées sur le gradient pour les réseaux morphologiques, ainsi que le développement de pipelines neuronaux intégrant des couches de reconstruction géodésique pour des tâches comme le comptage d’objets en imagerie microscopique. Ses travaux récents explorent également l’application de ces méthodes à des domaines variés, tels que la modélisation de matériaux composites, la mécanique des microstructures polycristallines ou encore la segmentation d’images médicales, en mettant l’accent sur l’interprétabilité et l’efficacité des modèles proposés.
Publication(s)
-
2026
Learning Morphological Representations of Image Transformations: Influence of Initialization and Layer Differentiability DOI : 10.1007/978-3-032-09544-2_27
-
2026
Optimizing Morphological Representations: Robustness to Initialization and Gradient Sparsity DOI : 10.1007/s10851-026-01331-8
-
2025
Cell Counting with Trainable h-Maxima and Connected Component Layers DOI : 10.1007/s10851-025-01243-z
-
2025
A physics-informed 3D surrogate model for elastic fields in polycrystals DOI : 10.1016/j.cma.2025.117944
-
2025
Two-Dimensional Stochastic Structural Geomodeling with Deep Generative Adversarial Networks DOI : 10.1007/s11004-025-10188-3
-
2024
Automatic yarn path extraction of large 3D interlock woven fabrics with confidence estimation DOI : 10.1016/j.compositesa.2024.108396
-
2024
Counting Melanocytes with Trainable h-Maxima and Connected Component Layers DOI : 10.1007/978-3-031-57793-2_32
-
2024
Training Morphological Neural Networks with Gradient Descent: Some Theoretical Insights DOI : 10.1007/978-3-031-57793-2_18
-
2023
Moving Frame Net: SE(3)-Equivariant Network for Volumes DOI : 10.48550/arXiv.2211.03420
-
2022
Scale-Equivariant U-Net DOI : 10.48550/arXiv.2210.04508
-
2022
Quantitative Characterization of Ductility for Fractographic Analysis DOI : 10.1007/978-3-031-11818-0_46
-
2022
Instance segmentation of 3D woven fabric from tomography images by Deep Learning and morphological pseudo-labeling DOI : 10.1016/j.compositesb.2022.110333
-
2022
APPLYING DEEP LEARNING TO MELANOCYTE COUNTING ON FLUORESCENT TRP1 LABELLED IMAGES OF IN VITRO SKIN MODEL DOI : 10.5566/ias.2640
-
2022
Morphological Adjunctions Represented by Matrices in Max-Plus Algebra for Signal and Image Processing DOI : 10.1007/978-3-031-19897-7_17
-
2022
DIFFERENTIAL INVARIANTS FOR SE(2)-EQUIVARIANT NETWORKS DOI : 10.1109/ICIP46576.2022.9897301
-
2022
Adaptive Anisotropic Morphological Filtering Based on Co-Circularity of Local Orientations DOI : 10.5201/ipol.2022.397
-
2021
On Some Associations Between Mathematical Morphology and Artificial Intelligence DOI : 10.1007/978-3-030-76657-3_33
-
2021
Scale Equivariant Neural Networks with Morphological Scale-Spaces DOI : 10.1007/978-3-030-76657-3_35
-
2019
Part-based approximations for morphological operators using asymmetric auto-encoders DOI : 10.1007/978-3-030-20867-7_25
-
2019
Max-plus operators applied to filter selection and model pruning in neural networks DOI : 10.1007/978-3-030-20867-7_24
-
2018
Tropical and Morphological Operators for Signals on Graphs DOI : 10.1109/ICIP.2018.8451395
-
2016
Measuring the visual salience of alignments by their non-accidentalness DOI : 10.1016/j.visres.2015.08.014
-
2014
A psychophysical evaluation of the a contrario detection theory DOI : 10.1109/ICIP.2014.7025217
Enseignements
Calcul Différentiel, Intégral et Stochastique I (Math1)
Ce premier module de l’UE11 débutera par une introduction à la topologie des espaces métriques : ouverts, fermés, densité, complétude, compacité, espace des applications continues entre espaces métriques,. Nous aborderons ensuite les éléments essentiels de la théorie de la mesure (sans faire toutes les démonstrations en amphi), qui permet de définir l’intégrale de Lebesgue, dont nous préciserons les différences avec l’intégrale de Riemann vue en classes préparatoires. Cette intégrale permettra de définir les espaces fonctionnels principaux utilisés dans l’étude mathématiques des équations de la physique, les espaces Lp, et en particulier l’espace L2. Nous aborderons ensuite l’étude des espaces de Hilbert (dont L2 est un exemple archétypal), qui sont des généralisations à la dimension infinie des espaces euclidiens, et dont nous étudierons les propriétés principales, en particulier l’existence de bases dites hilbertiennes. La dernière partie du cours sera consacrée au calcul différentiel pour les applications de Rn dans Rm : notion de dérivée partielle, de différentielle d’une application, théorème des accroissements finis dans Rd, théorème des fonctions implicites et théorème d’inversion locale. Des séances de tutorat avancé permettront aux étudiants motivés d’aller au delà des notions exigées pour l’examen : analyse plus poussée de la théorie de la mesure et de l’intégration, analyse fonctionnelle, espaces de Banach, théorème de Hahn-Banach, opérateurs en dimension infinie, espaces de Sobolev… Ce cours théorique vise à donner les bases qui permettront aux élèves d'aborder les grands enjeux des mathématiques appliquées, en particulier étude et résolution numérique des équations différentielles, des équations aux dérivées partielles et optimisation.
Calcul Différentiel, Intégral et Stochastique II (Math2)
L’EC2 est constitué de deux blocs : Equations Différentielles Probabilités. Le cours d’équations différentielles a pour but d’initier les étudiants à l’étude des systèmes dynamiques: existence, unicité et régularité des solutions d’une équation différentielle (théorèmes de Peano-Arzela, Cauchy-Lipschitz, régularité par rapport aux conditions initiales en temps fini, systèmes chaotiques), ainsi qu’une introduction à l’étude du comportement asymptotiques des solutions (cycles périodiques, stabilité asymptotique de points d’équilibre etc.) Une sensibilisation à la simulation et l’analyse numérique des équations différentielles est aussi donnée (schémas de discrétisation, analyse de consistance/convergence, différence schémas explicites/implicites pour systèmes raides, apport des schémas symplectiques pour systèmes hamiltoniens etc.) Le cours de probabilités vise à consolider et compléter les connaissances en théorie des probabilités acquises en CPGE mais surtout à acquérir le raisonnement probabiliste. En CPGE, les probabilités ont été vues dans le cadre de phénomènes aléatoires qui admettent un nombre au plus dénombrable de résultats possibles. Les probabilités définies sur la droite réelle, ainsi que les variables et vecteurs aléatoires réels sont d’abord introduits dans le formalisme général de la théorie de la mesure, vu à l’EC1, et qui permet d’englober le cas discret. Les notions d'indépendance et de conditionnement de variables aléatoires, les suites de variables aléatoires et enfin les méthodes de simulation stochastique sont successivement abordées de manière à couvrir l’ensemble des pré-requis nécessaires aux différentes spécialités d'ingénierie proposées à l’école, en particulier la science des données.
Traitement du signal
L’EC Traitement du signal couvre l’ensemble de l’enseignement lié à l’analyse harmonique, incluant les signaux en temps discret et continu, la convolution, le calcul opérationnel, ainsi que la transformée de Fourier. Ce contenu est présenté de manière à être exploitable dans des contextes variés tels que les mathématiques, les sciences de l’ingénieur et la physique. Le cours établit un lien essentiel entre les fondements mathématiques du traitement du signal (analyse de Fourier, ondelettes, etc.) et les outils pratiques qui en découlent, comme le filtrage et la compression. Ces concepts sont illustrés par des technologies modernes qui en intègrent les principes, offrant ainsi une vision concrète et appliquée des théories abordées. En outre, le cours met en lumière les fortes interconnexions entre le traitement du signal et les autres domaines couverts par l’UE mathématiques appliquées, orientant naturellement les enseignements vers les concepts mathématiques fondamentaux du domaine. Les travaux pratiques, conçus pour illustrer simplement les théorèmes étudiés en cours, renforcent cet apprentissage théorique. Enfin, l’exploration d’applications technologiques récentes permet de donner une perspective actuelle et dynamique aux résultats théoriques présentés. Les heures de travail personnel sont consacrées à des projets sur des sujets qui dépassent le cadre du cours. Parmi les projets récemment proposés figurent l'implémentation d'un algorithme de reconnaissance musicale s'appuyant sur la transformée de Fourier fenêtrée, l'étude des outils de traitement du signal utilisés pour la tomographie ou encore l'application des outils de traitement du signal à un problème de géophysique.
Direction(s) de thèse(s)
- 2025 Robustesse par construction pour des modèles d’apprentissage frugaux et de confiance LOZA RAMIREZ Edgar
- 2024 Traitement d’image hybride pour la métrologie de la contamination particulaire surfacique : couplage des méthodesmorphologiques et des méthodes d’apprentissage pour les aérosols PILLARD Dorian
- 2024 Couches morphologiques dans les réseaux de neurones: comment les entraîner et les utiliser pour l'analyse de données DIMITROVA Mihaela
- 2022 Géomodélisation structurale stochastique en deux dimensions à l’aide de réseaux antagonistes génératifs profonds GARAYT Charlie
- 2022 Estimation des propriétés mécaniques de polycristaux par apprentissage automatique informé par la physique MONTEIRO FERNANDES Lucas
- 2019 Apprentissage Profond Équivariant Basé sur les Espaces d’Échelle et les Repères Mobiles SANGALLI Mateus