Ce tutoriel détaillera comment insérer une information secrète dans une image (principe de la stéganographie) mais aussi comment la détecter (principe de la stéganalyse). Une fois la terminologie précisée, les différentes classes de schéma d’insertion seront présentées, ainsi que les méthodes de codage associées pour ensuite décrire les méthodes de stéganographie adaptatives les plus populaires. Dans une deuxième partie, les métriques associées à la stéganalyse, ainsi que les différentes méthodologies, seront détaillées.

The field of psychiatry has long been plagued by diagnostic challenges and heterogeneity within traditional clinical categories. However, recent advances in neuroimaging techniques have provided unprecedented insights into the neural underpinnings of various mental disorders. By leveraging these imaging data, we are now able to identify distinct patterns of brain activity and connectivity that can inform more precise diagnoses and treatment approaches. In this talk, I will explore the physics behind neurobiology and demonstrate how it translates into digital imaging for revealing pathological processes involved in certain mental illnesses, focusing on the neuroimaging-informed phenotypes of suicidal behaviors. Furthermore, I will explore our novel development of an EEG-based brain-computer interface as a personalized medicine tool very promising to induce brain changes and mitigate low back pain. Finally, I will discuss the potential benefits and challenges of using these imaging data to inform clinical decision-making, as well as future directions for research in this area. By integrating neuroimaging findings with traditional clinical assessments, we can move towards a more personalized approach to psychiatric care that improves patient outcomes and reduces diagnostic uncertainty.

La démocratisation de solutions utilisant l'IA pour traiter des images ou des flux vidéos s'accompagne de questionnements concernant la confiance qu'on peut leur accorder. L'un des principaux défis consiste à fournir des explications appropriées à des utilisateurs spécifiques.
Dans ce cours, nous explorons différentes techniques, dites post-hoc et ad-hoc, pour "expliquer" les résultats des décisions prises par une IA à partir d'une image. Les méthodes post-hoc tentent d'interpréter a posteriori les décisions d'un modèle d'IA. Les méthodes ad-hoc tendent quant à elles à intégrer au modèle d'IA lui-même les connaissances nécessaires pour que la décision du modèle soit explicable.

In recent years, Variational Bayesian (VB) techniques have emerged as powerful tools for enhancing the generalization, robustness and interpretability of deep networks. In this tutorial, we will delve into the foundations of VB, demonstrating its construction and rationale, while showcasing its transformative potential in probabilistic modeling. To this end, we will explore how the VB rationale can be applied to tackle two highly important issues in the deep learning community: (i) the adversarial robustness of deep networks, and specifically how probabilistic modeling can mitigate black-box adversarial attacks, and (ii) interpretability-by-design, where we'll explore an innovative way to facilitate the interpretability of deep networks, enabling researchers to gain nuanced insights into complex model decisions through probabilistic arguments.