Documents dont l'auteur est "Gasse, Maxime"
Monter d'un niveau
Aide
Ce graphique trace les liens entre tous les collaborateurs des publications de {} figurant sur cette page.
Chaque lien représente une collaboration sur la même publication. L'épaisseur du lien représente le nombre de collaborations.
Utilisez la molette de la souris ou les gestes de défilement pour zoomer à l'intérieur du graphique.
Vous pouvez cliquer sur les noeuds et les liens pour les mettre en surbrillance et déplacer les noeuds en les glissant.
Enfoncez la touche "Ctrl" ou la touche "⌘" en cliquant sur les noeuds pour ouvrir la liste des publications de cette personne.
Aide
Un nuage de mots est une représentation visuelle des mots les plus fréquemment utilisés dans un texte ou un ensemble de textes. Les mots apparaissent dans différentes tailles, la taille de chaque mot étant proportionnelle à sa fréquence d'apparition dans le texte. Plus un mot est utilisé fréquemment, plus il apparaît en grand dans le nuage de mots. Cette technique permet de visualiser rapidement les thèmes et les concepts les plus importants d'un texte.
Dans le contexte de cette page, le nuage de mots a été généré à partir des publications de l'auteur {}. Les mots présents dans ce nuage proviennent des titres, résumés et mots-clés des articles et travaux de recherche de cet auteur. En analysant ce nuage de mots, vous pouvez obtenir un aperçu des sujets et des domaines de recherche les plus récurrents et significatifs dans les travaux de cet auteur.Le nuage de mots est un outil utile pour identifier les tendances et les thèmes principaux dans un corpus de textes, facilitant ainsi la compréhension et l'analyse des contenus de manière visuelle et intuitive.
Article de revue
Rastgar Amini, F., Contardo, C., Desaulniers, G., & Gasse, M. (2025). Learning to enumerate shifts for large-scale flexible personnel scheduling problems. Journal of Scheduling, 19 pages. Lien externe
Rauby, B., Xing, P., Porée, J., Gasse, M., & Provost, J. (2025). Pruning Sparse Tensor Neural Networks Enables Deep Learning for 3D Ultrasound Localization Microscopy. IEEE Transactions on Image Processing, 34, 2367-2378. Lien externe
Rauby, B., Xing, P., Gasse, M., & Provost, J. (2024). Deep learning in ultrasound localization microscopy : applications and perspectives. IEEE Transactions on Ultrasonics, Ferroelectrics and Frequency Control, 3462299 (23 pages). Disponible
Müller, B., Muñoz, G., Gasse, M., Gleixner, A., Lodi, A., & Serrano, F. (2022). On generalized surrogate duality in mixed-integer nonlinear programming. Mathematical Programming, 2021(1-2), 1-30. Disponible
Rapport technique
Rastgar Amini, F., Contardo, C., Desaulniers, G., & Gasse, M. (2022). Learning to enumerate shifts for large-scale flexible personnel scheduling problems. (Rapport technique n° G-2022-29). Lien externe
Mémoire de maîtrise
Le Sellier de Chezelles, T. (2025). Standardisation et reproductibilité dans l'évaluation des agents web basés sur les grands modèles de langage [Mémoire de maîtrise, Polytechnique Montréal]. Disponible
Thèse de doctorat
Rauby, B. (2026). Apprentissage profond pour la microscopie de localisation ultrasonore : imagerie volumique, robustesse in vivo et jeu de données de grande échelle [Thèse de doctorat, Polytechnique Montréal]. Disponible