HAL-uB
Not a member yet
73989 research outputs found
Sort by
Food web structure in a rapidly changing coastal environment: the West Antarctic Peninsula.
No full textInternational audienceThe West Antarctic Peninsula (WAP) is one of the most rapidly changing regions in the world. Steep environmental gradients in sea ice cover and glacier melting are observed, but much remains to be documented regarding the impact of these differences on biological communities and ecosystem processes. Here, we study how environmental variability impacts trophic interactions and ecological habitats of benthic communities along the WAP. During the Belgica 121 expedition, dominant benthic mega- and macrofauna, as well as primary producers, were sampled in multiple stations featuring different environmental conditions around the Gerlache Strait. Stable isotope ratios of carbon, nitrogen, and sulfur were measured and combined in an isotope niche analysis (SIBER). Our results suggest that changes in environmental features, notably ice-related conditions, could alter food source availability and organic matter fluxes towards benthic organisms. Isotopic compositions of abundant species were more variable in stations with stronger ice-related disturbance. Besides variability in isotopic baseline, this result could possibly also be linked to the use of a wider diversity of food sources (niche expansion) in stations affected by different ice-related conditions. Overall, our findings provide important insights towards understanding the interplay between environmental conditions and ecological habits of benthic consumers along the WAP
Calibration extrinsèque sans mire pour la conduite autonome avec rendu différenciable dense
No full textAutonomous driving systems demand precise multi-sensor calibration to ensure robust perception, accurate localization, and effective decision-making in complex urban environments. This thesis introduces innovative solutions for a unified, targetless calibration framework that concurrently optimizes spatial transformations and temporal synchronization across heterogeneous sensors, such as cameras and LiDARs. By leveraging both implicit and explicit volumetric scene representations, the proposed methods align diverse sensor data into a common reference frame without the need for manual calibration targets. A joint optimization strategy based on photometric consistency and geometric constraints enhances calibration robustness and enables dynamic, on-the-fly recalibration under real-world urban conditions.In addition to sensor calibration, this work critically evaluates and refines the pose and calibration parameters provided by publicly available autonomous driving datasets. The study demonstrates that these poses can be effectively optimized using a pose optimization pipeline based on an implicit scene representation, with improvements validated through various photometric and geometric metrics. These inaccuracies suggest that relying on the original dataset poses as ground truth can lead to suboptimal evaluations of downstream tasks.Collectively, the contributions of this thesis establish a scalable and reliable foundation for sensor fusion in autonomous vehicles, paving the way for future advancements in real-world autonomous driving technology.Les systèmes de conduite autonome exigent une calibration précise de plusieurs capteurs afin d'assurer une perception robuste, une localisation précise et une prise de décision efficace dans des environnements urbains complexes. Cette thèse présente des solutions innovantes pour un cadre de calibration unifié et sans cibles, qui optimise simultanément les transformations spatiales et la synchronisation temporelle entre des capteurs hétérogènes, tels que les caméras et les LiDAR. En tirant parti à la fois des représentations volumétriques implicites et explicites des scènes, les méthodes proposées alignent les données provenant de différents capteurs dans un repère commun sans nécessiter de cibles de calibration manuelle. Une stratégie d'optimisation conjointe, fondée sur la cohérence photométrique et les contraintes géométriques, renforce la robustesse de la calibration et permet une recalibration dynamique dans des conditions urbaines réelles.En plus de la calibration des capteurs, ce travail évalue de manière critique et affine les paramètres de pose et de calibration fournis par des jeux de données publics dédiés à la conduite autonome. L'étude démontre que ces poses peuvent être efficacement optimisées à l'aide d'une méthode d'optimisation basée sur une représentation implicite de la scène, avec des améliorations validées par divers indicateurs photométriques et géométriques. Ces imprécisions suggèrent qu'en se fiant aux poses d'origine des jeux de données comme référence absolue, on risque d'obtenir des évaluations sous-optimales pour les tâches en aval.Dans l'ensemble, les contributions de cette thèse établissent une base évolutive et fiable pour la fusion des données des capteurs dans les véhicules autonomes, ouvrant la voie à de futures avancées dans la technologie de conduite autonome en conditions réelles
Intelligence artificielle pour la détection des attaques dans le réseau 5G-V2X
No full text5G-V2X networks promise to revolutionize road transport by offering ultra-reliable, low-latency V2X communications. Yet this massive interconnection exposes the ecosystem to new cyber-threats: an attack targeting V2X traffic can compromise data integrity, user privacy and, ultimately, the physical safety of vehicles. Artificial-intelligence-based intrusion detection systems (IDS) provide a relevant response, but traditional versions remain resource-intensive, privacy-invasive and poorly suited to the dynamic nature of 5G network slices.This thesis makes three contributions to overcome these limitations. First, a privacy-preserving, self-supervised IDS leverages federated learning to detect attacks without sharing raw data and requiring very little manual labeling. Second, a lightweight IDS based on knowledge distillation transfers the expertise of a deep model to a compact one, compatible with device constraints while maintaining high accuracy. Third, an adaptive orchestration layer using reinforcement learning dynamically adjusts IDS deployment and configuration across the various 5G-V2X slices, thereby optimizing security-resource allocation as threats evolve.Les réseaux 5G-V2X promettent de révolutionner le transport routier en offrant des communications V2X ultra-fiables et à faible latence. Cette interconnexion massive expose cependant l'écosystème à de nouvelles menaces cybernétiques: une attaque ciblant le trafic V2X peut compromettre l'intégrité des données, la confidentialité des usagers et, la sécurité physique des véhicules. Les systèmes de détection d'intrusion (IDS) fondés sur l'intelligence artificielle représentent une réponse pertinente, mais leurs versions classiques demeurent coûteuses en ressources, peu respectueuses de la vie privée et inadaptées à la nature dynamique des tranches réseau 5G.Cette thèse propose trois contributions pour dépasser ces limites. Premièrement, un IDS auto-supervisé respectueux de la vie privée s'appuie sur l'apprentissage fédéré pour détecter des attaques sans partage de données brutes avec très peu de donnée annotée manuellement. Deuxièmement, un IDS léger basé sur la distillation de connaissances qui transfère l'expertise d'un modèle profond vers un modèle compact, compatible avec les contraintes de calcul des équipements tout en conservant une grande précision. Troisièmement, une orchestration adaptative par apprentissage par renforcement qui ajuste dynamiquement le déploiement et la configuration des IDS sur les différentes tranches 5G-V2X, optimisant ainsi l'allocation des ressources de sécurité au gré des menaces
Non-Invasive Neonatal Jaundice Detection via Two-Phase Self-Supervised Learning and Vision Transformer
No full textInternational audienceNeonatal jaundice is a potentially serious and prevalent condition that can lead to neurological challenges in newborns if not detected or treated on time. Currently, most approaches employed to diagnose neonatal jaundice are invasive and are often characterized by constraints in accuracy and accessibility, especially in locations with limited resources. To proffer a solution to these challenges, this study presents a vision transformer-based framework, JauNViT, for diagnosing neonatal jaundice. In this framework, a two-phase technique is deployed. The first phase involves the use of Vision Transformer (ViT) to extract deep features from the image data and then use the Self-Relative Clustering (SRC) technique to organize the image data into clinically meaningful clusters and learn discriminative features in the process, facilitating unsupervised learning from limited data. To further enhance the quality of these features, a self-supervised learning strategy based on Linear Centered Kernel Alignment (LCKA) loss was employed to refine the extracted representations. In the second phase, the pre-trained model was fine-tuned on a small labeled dataset, enabling the model to optimize its learned features for efficient neonatal jaundice classification. The proposed dual-phase approach based on ViT yields robust diagnostic accuracy and exhibits prospects of being adaptable to different healthcare settings
Introduction. Déplacer les bords vers le centre
No full textAutre directrice de publication : Anne Schneider. - Cet ouvrage est issu du colloque " Accompagner la migration. Des représentations à l'action ", organisé à l'Université Bourgogne Europe en décembre 2022. - Cet ouvrage est publié avec le soutien de l'Institut d'histoire des représentations et des idées dans les modernités (IHRIM) et du Centre Pluridisciplinaire Textes et Cultures (CPTC).International audience[...] Notre ouvrage, à l’instar de ce positionnement, tend, loin du catastrophisme menaçant véhiculé sans discontinuer par les médias au sujet des migrants, à poser un autre regard sur la migration, à nous inscrire dans la trajectoire puissamment réfléchie par Khalil Gibran, le poète libanais, dans Le Prophète, celle de l’avenir. Sans édulcorer la condition tragique de la migration, le changement opéré par le verbe « considérer » incite à tous les possibles : « Sidérés. » Non ! Considérer, regarder, accompagner, emmener, apporter, inventer, se projeter, s’inscrire, s’enraciner. À l’état passif se substitue une position active. Ce petit « cum » qui change tout, c’est la syllabe en plus, celle qui envisage des lendemains portés sur l’accueil et l’accompagnement, plutôt que sur la lamentation inefficace et figée. Le passage d’un verbe à l’autre vise à élargir la perspective : porter plus loin. [...
Les jeux de mots san-antoniens
No full textInternational audienceLa série policière San-Antonio mêle enquête policière et innovation lexi-cale dans un savant mélange entre création, transgression linguistique et recherched’effets comiques. Si l’humour repose sur des situations burlesques et des per-sonnages hors-norme, il se base aussi sur les nombreux jeux de mots qui émaillentl’œuvre et qui font le sel d’une série restée unique dans le paysage littéraire policierde la deuxième moitié du vingtième siècle
Prosulfocarbe : cet herbicide méconnu pollue les jardins bios et cours d’écoles. Hors-Série « Enquête Prosulfocarbe : enquête sur un scandale en puissance »
No full textSocialter n°73, 10p
Synthesis and structural characterization of coumarin–hydrazone derivatives as antiplatelet agents: in vitro and in silico evaluation of activity and toxicity
No full textInternational audienc
Fatigue and neuromuscular function in long COVID: A one-year follow-up study
No full textInternational audienceBackgroundLong COVID has emerged as a significant complication of SARS-CoV-2 infection.However, the long-term neuromuscular consequences of this condition, particularly one-year post-infection, remain poorly understood. This study aimed to determine the mechanisms of fatigue by comparing perceived fatigue, objective fatigability, functionality, muscle architecture, and electrical neuromuscular function in participants who had suffered severe or moderate COVID-19 one-year post-infection with a healthy control group. Methods and FindingsThis longitudinal observational study followed participants for one-year. The assessments were conducted at the Laboratory of Muscle and Tendon Plasticity at the University of Brasília, Brazil. Participants who had suffered moderate or severe SARS-CoV-2 infection were compared to a control group. A baseline assessment was initially conducted (21-30 days post-symptoms onset or post-hospital discharge), followed by second (31-90), third (91-180), and fourth (181-360) assessments.Perceived fatigue, objective fatigability, functionality, muscle architecture, and electrical neuromuscular function were analyzed. The study included 30 controls (46.53 [42.10-51.43] years; 13 men [43.33%]), 22 moderate cases (38.27 [33.96-43.13] years; 10 men [45.45%]), and 18 severe cases (50.83 [45.19-57.18] years; eight men [44.44%]). Severe participants exhibited higher perceived fatigue in all assessments than the control group and at baseline and in assessment 4 compared to moderate cases, in addition to a lower torque and torque-time integral in all assessments of objective fatigability analysis compared to the other groups. The severe group also demonstrated reduced functionality, impaired muscle architecture (characterized by increased echogenicity), and higher chronaxie values in the electrical neuromuscular function assessment. Participants with moderate COVID-19 exhibited alterations in perceived fatigue, reduced torque, and lower TTI, electrical neuromuscular function, and muscle architecture, particularly at baseline. ConclusionsSevere participants continued to experience significant perceived fatigue even one-year post-infection, suggesting a slower recovery trajectory, that contributed to increased fatigability throughout the follow-up period. These results emphasize the role of musculoskeletal and neural mechanisms in post-COVID-19 fatigue, highlighting the need for targeted, mechanism-based rehabilitation strategies.</div
