Soutenance de thèse de Laziz Hamdi Jeudi 24 septembre 2026 à 14h UFR Madrillet
Date :
Laziz Hamdi soutiendra sa thèse sur ses travaux intitulés :
« Compréhension de documents numérisés : application à la dématérialisation des parcours de soins »
Cette thèse a été réalisée dans le cadre d’une CIFRE entre le laboratoire LITIS de l’Université de Rouen Normandie et Malakoff Humanis, sous la direction de Thierry Paquet.
Date : Jeudi 24 septembre 2026 à 14h00
Lieu : Amphithéâtre B – UFR Sciences et Techniques du Madrillet
Avenue de l’Université, 76800 Saint-Étienne-du-Rouvray
Pour les personnes ne pouvant pas être présentes, la soutenance sera également retransmise en direct sur YouTube :
▶ Suivre la soutenance en direct sur YouTube
La soutenance aura lieu devant le jury composé de :
- Bertrand Coüasnon – Professeur des Universités, Université de Rennes – Rapporteur
- Harold Mouchère – Professeur des Universités, Nantes Université – Rapporteur
- Samia Ainouz – Professeur des Universités, INSA Rouen Normandie – Membre du jury
- Véronique Eglin – Professeur des Universités, INSA Lyon – Membre du jury
- Antoine Tabbone – Professeur des Universités, Université de Lorraine – Membre du jury
- Thierry Paquet – Professeur des Universités, Université de Rouen Normandie – Directeur de thèse
Résumé
Cette thèse porte sur la compréhension automatique de documents numérisés dans un contexte industriel. Elle s’intéresse en particulier à la reconnaissance du texte et des tableaux, à leur structure ainsi qu’à leur localisation dans les documents.
Les travaux présentés couvrent plusieurs niveaux de compréhension documentaire. PILOT associe reconnaissance de texte et informations spatiales dans un modèle unifié. TableSeq étend cette représentation aux tableaux en générant conjointement leur structure, leur contenu et la position des cellules. FastTab propose une approche efficace pour la reconnaissance de la structure des tableaux, tandis que DenTab étudie leur compréhension à travers des tâches de question-réponse sur des documents réels.
Dans son ensemble, cette thèse contribue au développement de systèmes de Document AI capables de produire des représentations structurées, spatialement ancrées et exploitables pour des traitements automatisés, efficaces et vérifiables.