Aurélie Leborgne
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Aurélie Leborgne has a total of 14 co-authors. Here are the top co-authors by number of shared publications:
- Assaad Zeghina
Université de Strasbourg, CNRS, ICube UMR 7357
4 shared publications - Antoine Vacavant
Université Clermont Auvergne, CNRS, Institut Pascal
3 shared publications - Florence Le Ber
Université de Strasbourg, CNRS, ENGEES, ICube UMR 7357
3 shared publications - Benoît Naegel
ICube Laboratory, CNRS, University of Strasbourg, Strasbourg, France
1 shared publication - Clément Iphar
Univ Brest (UBO), CNRS, LETG – UMR 6554, Plouzané, France
1 shared publication - Cédric Wemmert
ICube, University of Strasbourg Strasbourg France
1 shared publication
Latest Publications
- Open Access
- 6 November 2026
- Published by Association for Computing Machinery (ACM)
- p. 9534-9537
STMA4KD: Spatio-Temporal Data Management and Analysis for Knowledge Discovery Workshop
- 6 November 2026
- Published by Association for Computing Machinery (ACM)
- p. 9534-9537
Open AccessSTMA4KD: Spatio-Temporal Data Management and Analysis for Knowledge Discovery Workshop
- 1 October 2026
- Published by Springer Nature
- p. 410-420
Neural Pattern Mining in Spatiotemporal Multigraphs: A Pan-European Land-Use Study
- 1 October 2026
- Published by Springer Nature
- p. 410-420
Neural Pattern Mining in Spatiotemporal Multigraphs: A Pan-European Land-Use Study
- 2 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Appariement de formes basé sur une squelettisation hiérarchique
Les travaux effectués durant cette thèse portent sur l’appariement de formes planes basé sur une squelettisation hiérarchique. Dans un premier temps, nous avons abordé la création d’un squelette de forme grâce à un algorithme associant des outils de la géométrie discrète et des filtres. Cette association permet d’acquérir un squelette regroupant les propriétés désirées dans le cadre de l’appariement. Néanmoins, le squelette obtenu reste une représentation de la forme ne différenciant pas les branches représentant l’allure générale de celles représentant un détail de la forme. Or, lors de l’appariement, il semble plus intéressant d’associer des branches ayant le même ordre d’importance, mais aussi de donner plus de poids aux associations décrivant un aspect global des formes. Notre deuxième contribution porte sur la résolution de ce problème. Elle concerne donc la hiérarchisation des branches du squelette, précédemment créé, en leur attribuant une pondération reflétant leur importance dans la forme. À cet effet, nous lissons progressivement une forme et étudions la persistance des branches pour leur attribuer un poids. L’ultime étape consiste donc à apparier les formes grâce à leur squelette hiérarchique modélisé par un hypergraphe. En d’autres termes, nous associons les branches deux à deux pour déterminer une mesure de dissimilarité entre deux formes. Pour ce faire, nous prenons en compte la géométrie des formes, la position relative des différentes parties des formes ainsi que de leur importance.
- 2 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Appariement de formes basé sur une squelettisation hiérarchique
Les travaux effectués durant cette thèse portent sur l’appariement de formes planes basé sur une squelettisation hiérarchique. Dans un premier temps, nous avons abordé la création d’un squelette de forme grâce à un algorithme associant des outils de la géométrie discrète et des filtres. Cette association permet d’acquérir un squelette regroupant les propriétés désirées dans le cadre de l’appariement. Néanmoins, le squelette obtenu reste une représentation de la forme ne différenciant pas les branches représentant l’allure générale de celles représentant un détail de la forme. Or, lors de l’appariement, il semble plus intéressant d’associer des branches ayant le même ordre d’importance, mais aussi de donner plus de poids aux associations décrivant un aspect global des formes. Notre deuxième contribution porte sur la résolution de ce problème. Elle concerne donc la hiérarchisation des branches du squelette, précédemment créé, en leur attribuant une pondération reflétant leur importance dans la forme. À cet effet, nous lissons progressivement une forme et étudions la persistance des branches pour leur attribuer un poids. L’ultime étape consiste donc à apparier les formes grâce à leur squelette hiérarchique modélisé par un hypergraphe. En d’autres termes, nous associons les branches deux à deux pour déterminer une mesure de dissimilarité entre deux formes. Pour ce faire, nous prenons en compte la géométrie des formes, la position relative des différentes parties des formes ainsi que de leur importance.
- 8 June 2025
- Published by Springer Nature
- p. 134-144
Deep QMiner: Towards a Generalized Deep Q-Learning Approach for Graph Pattern Mining
- 8 June 2025
- Published by Springer Nature
- p. 134-144
Deep QMiner: Towards a Generalized Deep Q-Learning Approach for Graph Pattern Mining
- Open Access
- 17 May 2024
- Published by Elsevier in Neurocomputing
- Vol. 594
Deep learning on spatiotemporal graphs: A systematic review, methodological landscape, and research opportunities
- 17 May 2024
- Published by Elsevier in Neurocomputing
- Vol. 594
Open AccessDeep learning on spatiotemporal graphs: A systematic review, methodological landscape, and research opportunities
- 1 January 2024
- Published by Springer Nature
- p. 312-324
Multi-scale Component-Tree: A Hierarchical Representation for Sparse Objects
- 1 January 2024
- Published by Springer Nature
- p. 312-324
Multi-scale Component-Tree: A Hierarchical Representation for Sparse Objects
- 15 September 2021
- Published by Springer Nature
- p. 155-169
Random Generation of a Locally Consistent Spatio-Temporal Graph
- 15 September 2021
- Published by Springer Nature
- p. 155-169
Random Generation of a Locally Consistent Spatio-Temporal Graph