BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Etis - ECPv6.15.20//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-ORIGINAL-URL:https://www.etis-lab.fr
X-WR-CALDESC:Events for Etis
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20250330T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20251026T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20260329T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20261025T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20270328T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20271031T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260112T140000
DTEND;TZID=Europe/Paris:20260112T163000
DTSTAMP:20260421T112520
CREATED:20260106T111020Z
LAST-MODIFIED:20260106T111020Z
UID:9667-1768226400-1768235400@www.etis-lab.fr
SUMMARY:Soutenance de thèse - Claire Béranger
DESCRIPTION:Claire Béranger\, doctorante dans l’équipe CELL\, soutient sa thèse intitulée “Reconnaissance de la marche et prédiction de chute par apprentissage profond sur des signatures micro-Doppler” le 12 janvier 2026 dans l’auditorium de la Maison de la Recherche Annie-Ernaux (CY Cergy Paris Université). \nRésumé\nReconnaissance de la marche et prédiction de chute par apprentissage profond sur des signatures micro-Doppler \nLes chutes chez les personnes âgées constituent un enjeu majeur de santé publique\, entraînant chaque année en France un nombre significatif de décès et d’hospitalisations.\nBien que des systèmes de téléassistance aient été déployés pour réduire ces risques\, leur efficacité reste limitée en raison d’un taux élevé de fausses alertes. \nCette thèse propose des méthodes de reconnaissance d’activités à partir de données radar non conventionnelles\, permettant un suivi précis des mouvements des personnes âgées tout en préservant leur intimité.\nLes travaux portent sur l’extraction de caractéristiques pertinentes à partir de spectrogrammes radar et sur le développement de modèles de classification performants pour l’identification de l’activité quotidienne. \nUn jeu de données multimodal expérimental a été constitué afin de soutenir l’analyse et l’évaluation des modèles. L’optimisation des approches et la fusion des résultats des modèles ont permis d’atteindre un taux de reconnaissance des activités proche de 95%\,\ndémontrant la robustesse et l’efficacité des méthodes développées. Ces résultats ouvrent des perspectives concrètes pour l’amélioration des systèmes de téléassistance et la prévention des chutes. \nAu-delà de ces applications\, ce travail illustre le potentiel des technologies radar pour l’étude des activités humaines et ouvre de nouvelles pistes pour la recherche en suivi comportemental et analyse biomécanique. \nAbstract\nGait Recognition and Fall Prediction with Deep-Learning on Micro-Doppler Signatures \nFalls among elderly people represent a major public health challenge\, resulting each year in France in a substantial number of deaths and hospitalisations.\nAlthough teleassistance systems have been deployed to mitigate these risks\, their effectiveness remains limited due to a high rate of false alarms. \nThis thesis presents methods for activity recognition using unconventional radar data\, enabling precise monitoring of elderly people’s movements while preserving their privacy.\nThe work focuses on the extraction of relevant features from radar spectrograms and the development of robust classification models for identifying daily activities. \nAn experimental multimodal dataset was created to support the analysis and evaluation of the models.\nOptimisation of the approaches and fusion of model outputs achieved an activity recognition rate of approximately 95%\, demonstrating the robustness and effectiveness of the proposed methods.\nThese results provide concrete prospects for improving teleassistance systems and preventing falls. \nBeyond these applications\, this work highlights the potential of radar technologies for the study of human activities and opens new avenues for research in behavioural monitoring and biomechanical analysis. \nComposition du jury\nRapporteurs : \n\nMme Iness AHRIZ Maîtresse de conférences\, HDR\, Conservatoire National des Arts et Métiers Paris\, CEDRIC\nMme Catherine DEZAN Maîtresse de conférences\, HDR\, Université de Bretagne Occidentale\, Lab-STICC\n\nExaminateurs : \n\nMr Hedi TABIA Professeur\, Université Paris-Saclay\, IBISC\nMr Rémi DUBOIS Professeur\, Université de Bordeaux\, IHU LIRYC\nMr Thanh Phuong NGUYEN Professeur\, Université of Côte d’Azur\, I3S\n\nEncadrant : \n\nMr Petr DOBIÁŠ Maître de conférences\, CY Cergy Paris Université\, ETIS\n\nCo-directeur : \n\nMr Ngoc-Son VU Maître de conférences\, HDR\, ENSEA\, ETIS\n\nDirecteur : \n\nMr Olivier ROMAIN Professeur\, CY Cergy Paris Université\, ETIS\n\nInvités : \n\nMr David GUYARD CEO\, BlueLinea\nMr Julien LE KERNEC Maître de conférences\, HDR\, University of Glasgow\, ETIS\n\nDate et lieu de soutenance\n\n12 janvier 2026\, 14h\nCY Cergy Paris Université\, Auditorium de la Maison de la Recherche Annie-Ernaux
URL:https://www.etis-lab.fr/event/soutenance-de-these-claire-beranger/
LOCATION:Auditorium – Maison de la Rercherche Annie-Ernaux\, CYU Cergy Paris Université\, 33 Boulevard du Port\, Cergy\, 95011\, France
CATEGORIES:PhD Defense
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260114T140000
DTEND;TZID=Europe/Paris:20260114T153000
DTSTAMP:20260421T112520
CREATED:20260106T105212Z
LAST-MODIFIED:20260106T105212Z
UID:9664-1768399200-1768404600@www.etis-lab.fr
SUMMARY:Data&AI Seminar - Khalil Bachiri
DESCRIPTION:Title: Multimodal and Heterogeneous Graph Learning for Robust\, Explainable and Frugal Intelligent Systems \nAbstract:\nThe increasing availability of heterogeneous and multimodal data poses significant challenges for the design of modern intelligent systems\, particularly in terms of representation\, fusion\, robustness\, explainability\, and computational frugality. These challenges become even more critical when data are structured through complex and evolving relational graphs\, as is often the case in real-world applications. In this presentation\, I will introduce my research contributions on multimodal and heterogeneous graph learning\, developed during my PhD\, with the objective of designing models capable of understanding\, reasoning\, and learning from interacting modalities. I will present graph-based and topology-aware learning architectures that explicitly model modality heterogeneity\, inter-modal dependencies\, and structural relations\, while relying on adaptive fusion\, alignment mechanisms\, and attention-based reasoning to improve robustness\, stability\, and interpretability. These approaches have been validated on real-world recommendation and decision-support scenarios and have led to several international publications. Finally\, I will outline my research perspectives\, aiming to further develop robust\, energy-efficient\, and explainable multimodal intelligent systems\, including responsible AI\, multimodal platforms\, and low-footprint learning for complex environments. \nShort Bio:\nKhalil Bachiri is a Doctor in Artificial Intelligence from CY Cergy Paris Université (ETIS\, CNRS UMR 8051)\, where he is currently an ATER. His research focuses on multimodal learning and heterogeneous graph learning\, topology-aware models\, and explainable AI\, with an emphasis on robustness\, frugality\, and multimodal reasoning for recommendation and decision-support systems. He has published in international journals and conferences. He also worked as an AI Research Engineer at CNRS and has been a visiting researcher at LIPN (Université Sorbonne Paris Nord). \n 
URL:https://www.etis-lab.fr/event/dataai-seminar-khalil-bachiri/
LOCATION:Online
CATEGORIES:Seminar
ORGANIZER;CN="Vassiis Christophides":MAILTO:vassilis.christophides@ensea.fr
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260127T170000
DTEND;TZID=Europe/Paris:20260127T200000
DTSTAMP:20260421T112520
CREATED:20260121T154541Z
LAST-MODIFIED:20260121T154541Z
UID:9741-1769533200-1769544000@www.etis-lab.fr
SUMMARY:Inauguration du LabCom SmartGaitLab
DESCRIPTION:L’inauguration du LabCom SmartGaitLab porté par des membres d’ETIS aura lieu le mardi 27 janvier 2026 à 17h00\, à l’ENSEA (Cergy)\, et vous êtes bien cordialement invités à y participer. \nCe LabCom est dédié au développement de solutions pour le dépistage précoce de fragilité et la prévention des chutes\, fondées sur l’analyse des activités physiques par imagerie radar non conventionnelle\, en conditions contrôlées et réelles (hôpitaux\, EHPADs). \nCette inauguration sera l’occasion de présenter les ambitions scientifiques\, technologiques et industrielles de SmartGaitLab\, au service du maintien de l’autonomie des personnes à domicile. \nInformations pratiques :\n\nLieu : ENSEA\, Cergy\nDate : Mardi 27 janvier 2026\nHeure : 17h00\n\nInscription et programme ici : https://www.eventbrite.fr/e/1978250310933?aff=oddtdtcreator \n 
URL:https://www.etis-lab.fr/event/inauguration-du-labcom-smartgaitlab/
LOCATION:ENSEA\, 6\, avenue du Ponceau\, Cergy\, 95000\, France
CATEGORIES:ENSEA,ETIS
ORGANIZER;CN="Olivier Romain":MAILTO:olivier.romain@cyu.fr
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260129T133000
DTEND;TZID=Europe/Paris:20260129T150000
DTSTAMP:20260421T112520
CREATED:20260123T075216Z
LAST-MODIFIED:20260123T075216Z
UID:9749-1769693400-1769698800@www.etis-lab.fr
SUMMARY:Séminaire DATA&AI : Issam Falih
DESCRIPTION:Apprentissage multimodal frugale : alignement par transport optimal\, explicabilité par concepts et déploiement Edge\nRésumé :\nLes architectures d’apprentissage profond constituent aujourd’hui l’état de l’art pour l’analyse et la fusion de données multimodales. Leur déploiement effectif dans des environnements ouverts soulève encore de nombreuses questions quant à leur fiabilité et leur transparence. En particulier\, si ces modèles excellent en conditions contrôlées\, plusieurs travaux ont mis en évidence leur sensibilité aux dérives distributionnelles (concept drift) et leur opacité décisionnelle\, limitant leur usage dans des contextes critiques. \nDans cette présentation\, je traite dans un premier temps\, des problématiques d’alignement et de fusion multimodale ou je présente le Transport Optimal Hiérarchique comme un levier géométrique pour l’alignement de structures dans un cadre non supervisé. Dans un deuxième temps\, j’aborde l’explicabilité des réseaux de neurones à travers les modèles à goulot de concepts (CBM). Je présente une architecture hybride (KL-CBM) où un classifieur dense est aligné sur un module probabiliste. Enfin\, je conclue avec des applications réelles notamment de l’inférence distribuée sur systèmes embarqués (Edge AI). \nLien de connexion :\nSeminaire Issam Falih | Meeting-Join | Microsoft Teams \n 
URL:https://www.etis-lab.fr/event/seminaire-dataai-issam-falih/
LOCATION:Online
CATEGORIES:Seminar
ORGANIZER;CN="Vassiis Christophides":MAILTO:vassilis.christophides@ensea.fr
END:VEVENT
END:VCALENDAR