Mots-clés
Équipe
CAOR
Biographie
Sascha Hornauer est un chercheur dont les travaux se situent à l’intersection de l’intelligence artificielle, de la perception multimodale et des systèmes autonomes. Ses recherches explorent notamment l’intégration des signaux acoustiques et visuels pour améliorer la compréhension et l’interaction avec l’environnement, comme en témoignent ses contributions sur des méthodes hybrides telles que NeRAF, combinant champs radiatifs et acoustiques pour la synthèse de scènes 3D. Ses travaux abordent également des applications concrètes en robotique et en conduite autonome, où il développe des approches innovantes pour la planification de mouvement, la détection de nouveauté dans les données sensorielles, ou encore l’exploitation de l’écholocation bio-inspirée pour la navigation en conditions dégradées. Une partie de ses recherches porte sur l’optimisation des modèles d’apprentissage profond, en particulier pour des tâches complexes comme la segmentation sémantique, la prédiction de profondeur ou la classification d’événements sonores, souvent en s’appuyant sur des stratégies de transfert de connaissances ou d’apprentissage auto-supervisé. Ses contributions incluent également des avancées méthodologiques pour le traitement de données réelles et simulées, avec un accent sur l’efficacité et la robustesse des systèmes autonomes.
Publication(s)
-
2025
NERAF: 3D SCENE INFUSED NEURAL RADIANCE AND ACOUSTIC FIELDS
-
2024
PANO-ECHO: PANOramic depth prediction enhancement with ECHO features DOI : 10.1109/CAI59869.2024.00193
-
2024
MBAPPE: MCTS-Built-Around Prediction for Planning Explicitly DOI : 10.1109/IV55156.2024.10588457
-
2023
Instance segmentation of soft-story buildings from street-view images with semiautomatic annotation DOI : 10.1002/eqe.3805
-
2023
GRI: General Reinforced Imitation and Its Application to Vision-Based Autonomous Driving DOI : 10.3390/robotics12050127
-
2023
The Audio-Visual BatVision Dataset for Research on Sight and Sound DOI : 10.1109/IROS55552.2023.10341715
-
2022
Safety Monitoring of Neural Networks Using Unsupervised Feature Learning and Novelty Estimation DOI : 10.1109/TIV.2022.3152084
-
2022
Self-Supervised Feature Learning and Phenotyping for Assessing Age-Related Macular Degeneration Using Retinal Fundus Images DOI : 10.1016/j.oret.2021.06.010
-
2021
Unsupervised discriminative learning of sounds for audio event classification DOI : 10.1109/ICASSP39728.2021.9413482
-
2020
BatVision: Learning to See 3D Spatial Layout with Two Ears DOI : 10.1109/ICRA40945.2020.9196934
-
2020
Scene Novelty Prediction from Unsupervised Discriminative Feature Learning DOI : 10.1109/ITSC45102.2020.9294451
-
2019
Driving scene-retrieval by example from large-scale data
-
2019
Imitation learning of path-planned driving using disparity-depth images DOI : 10.1007/978-3-030-11021-5_33
-
2018
Synchronizing Multiple Data Streams by Time for Vehicle Control DOI : 10.1109/IVS.2018.8500470
-
2013
Towards marine collision avoidance based on automatic route exchange DOI : 10.3182/20130918-4-JP-3022.00049
-
2013
Decentralised collision avoidance in a semi-collaborative multi-agent system DOI : 10.1007/978-3-642-40776-5_36
-
2012
Supervised task performance of an autonomous UAV swarm, supporting and implementing fire-fighting procedures
Enseignements
Apprentissage artificiel
Théorie de l’apprentissage statistique ; typologie des applications : classification, régression, prédiction, catégorisation, … réseaux neuronaux (à couches, RBF, …) ; méthodes à noyaux et Support Vector Machines (SVM) ; dopage (boosting) ; modèles graphiques probabilistes (réseaux bayésiens) ; apprentissage non supervisé pour la catégorisation (k-means, cartes topologiques de Kohonen, …) ; algorithmes évolutionnistes et autres méta-heuristiques.
Direction(s) de thèse(s)
- 2024 Prédiction de mouvement impliquant intéractions agent à agent et modélisation multimodale AZEVEDO TONÉ Caio
- 2022 Raisonnement multimodal pour la reconstruction géométrique et acoustique de scènes BRUNETTO Amandine
- 2021 Intégrer des connaissances expertes dans des méthodes d'apprentissage par renforcement profond pour la conduite autonome CHEKROUN Raphaël