Quentin Bouniot

Résultat de recherche par an

Empreinte digitale

Passez en revue plus en détail les thèmes de recherche où Quentin Bouniot est actif. Ces libellés thématiques proviennent des travaux de cette personne. Ensemble, ils forment une empreinte digitale unique.

1 Profils similaires

7 Contribution à une conférence
1 Papier
1 Article de conférence

From Alexnet to Transformers: Measuring the Non-linearity of Deep Neural Networks with Affine Optimal Transport
Bouniot, Q., Redko, I., Mallasto, A., Laclau, C., Struckmeier, O., Arndt, K., Heinonen, M., Kyrki, V. & Kaski, S., 1 janv. 2025, Dans: Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. p. 25250-25260 11 p.
Résultats de recherche: Contribution à un journal › Article de conférence › Revue par des pairs

Accès ouvert
RESTYLING UNSUPERVISED CONCEPT BASED INTERPRETABLE NETWORKS WITH GENERATIVE MODELS
Parekh, J., Bouniot, Q., Mozharovskyi, P., Newson, A. & d'Alché-Buc, F., 1 janv. 2025, 13th International Conference on Learning Representations, ICLR 2025. International Conference on Learning Representations, ICLR, p. 25211-25245 35 p. (13th International Conference on Learning Representations, ICLR 2025).
Résultats de recherche: Le chapitre dans un livre, un rapport, une anthologie ou une collection › Contribution à une conférence › Revue par des pairs
TAILORING MIXUP TO DATA FOR CALIBRATION
Bouniot, Q., Mozharovskyi, P. & d'Alché-Buc, F., 1 janv. 2025, 13th International Conference on Learning Representations, ICLR 2025. International Conference on Learning Representations, ICLR, p. 6766-6796 31 p. (13th International Conference on Learning Representations, ICLR 2025).
Résultats de recherche: Le chapitre dans un livre, un rapport, une anthologie ou une collection › Contribution à une conférence › Revue par des pairs
PROPOSAL-CONTRASTIVE PRETRAINING FOR OBJECT DETECTION FROM FEWER DATA
Bouniot, Q., Audigier, R., Loesch, A. & Habrard, A., 1 janv. 2023.
Résultats de recherche: Contribution à une conférence › Papier › Revue par des pairs
The Robust Semantic Segmentation UNCV2023 Challenge Results
Yu, X., Zuo, Y., Wang, Z., Zhang, X., Zhao, J., Yang, Y., Jiao, L., Peng, R., Wang, X., Zhang, J., Zhang, K., Liu, F., Alcover-Couso, R., Sanmiguel, J. C., Escudero-Viñolo, M., Tian, H., Matsui, K., Wang, T., Adan, F. & Gao, Z. & 17 autres, He, X., Bouniot, Q., Moghaddam, H., Rai, S. N., Cermelli, F., Masone, C., Pilzer, A., Ricci, E., Bursuc, A., Solin, A., Trapp, M., Li, R., Yao, A., Chen, W., Simpson, I., Campbell, N. D. F. & Franchi, G., 1 janv. 2023, Proceedings - 2023 IEEE/CVF International Conference on Computer Vision Workshops, ICCVW 2023. Institute of Electrical and Electronics Engineers Inc., p. 4620-4630 11 p. (Proceedings - 2023 IEEE/CVF International Conference on Computer Vision Workshops, ICCVW 2023).
Résultats de recherche: Le chapitre dans un livre, un rapport, une anthologie ou une collection › Contribution à une conférence › Revue par des pairs

Accès ouvert
Towards Few-Annotation Learning for Object Detection: Are Transformer-based Models More Efficient?
Bouniot, Q., Loesch, A., Habrard, A. & Audigier, R., 1 janv. 2023, Proceedings - 2023 IEEE Winter Conference on Applications of Computer Vision, WACV 2023. Institute of Electrical and Electronics Engineers Inc., p. 75-84 10 p. (Proceedings - 2023 IEEE Winter Conference on Applications of Computer Vision, WACV 2023).
Résultats de recherche: Le chapitre dans un livre, un rapport, une anthologie ou une collection › Contribution à une conférence › Revue par des pairs

Accès ouvert
Improving Few-Shot Learning Through Multi-task Representation Learning Theory
Bouniot, Q., Redko, I., Audigier, R., Loesch, A. & Habrard, A., 1 janv. 2022, Computer Vision – ECCV 2022 - 17th European Conference, Proceedings. Avidan, S., Brostow, G., Cissé, M., Farinella, G. M. & Hassner, T. (eds.). Springer Science and Business Media Deutschland GmbH, p. 435-452 18 p. (Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics); Vol 13680 LNCS).
Résultats de recherche: Le chapitre dans un livre, un rapport, une anthologie ou une collection › Contribution à une conférence › Revue par des pairs

Accès ouvert
Optimal transport as a defense against adversarial attacks
Bouniot, Q., Audigier, R. & Loesch, A., 1 janv. 2020, Proceedings of ICPR 2020 - 25th International Conference on Pattern Recognition. Institute of Electrical and Electronics Engineers Inc., p. 5044-5051 8 p. 9413327. (Proceedings - International Conference on Pattern Recognition).
Résultats de recherche: Le chapitre dans un livre, un rapport, une anthologie ou une collection › Contribution à une conférence › Revue par des pairs

Accès ouvert
Vulnerability of person re-identification models to metric adversarial attacks
Bouniot, Q., Audigier, R. & Loesch, A., 1 juin 2020, Proceedings - 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, CVPRW 2020. IEEE Computer Society, p. 3450-3459 10 p. 9151088. (IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops; Vol 2020-June).
Résultats de recherche: Le chapitre dans un livre, un rapport, une anthologie ou une collection › Contribution à une conférence › Revue par des pairs

Accès ouvert

Quentin Bouniot

Empreinte digitale

Collaborations et principaux domaines de recherche des cinq dernières années

Voir les détails

From Alexnet to Transformers: Measuring the Non-linearity of Deep Neural Networks with Affine Optimal Transport

RESTYLING UNSUPERVISED CONCEPT BASED INTERPRETABLE NETWORKS WITH GENERATIVE MODELS

TAILORING MIXUP TO DATA FOR CALIBRATION

PROPOSAL-CONTRASTIVE PRETRAINING FOR OBJECT DETECTION FROM FEWER DATA

The Robust Semantic Segmentation UNCV2023 Challenge Results

Towards Few-Annotation Learning for Object Detection: Are Transformer-based Models More Efficient?

Improving Few-Shot Learning Through Multi-task Representation Learning Theory

Optimal transport as a defense against adversarial attacks

Vulnerability of person re-identification models to metric adversarial attacks