Warren Jouanneau

Warren Jouanneau

Auto-generated profile, based on publicly available information

Warren Jouanneau

Malt, Paris, France

Research Focus & Metrics

Academic Career Length

1Year (2026-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
27 September 2026
Verified
Conference Paper
Open access
MLMatthias De Lange
Matthias De Lange
WVWarre Veys
Warre Veys
FRFederico Retyk
Federico Retyk
DDDaniel Deniz
Daniel Deniz
WJWarren Jouanneau
Warren Jouanneau
JHJeroen Van Hautte
Jeroen Van Hautte
Today’s evolving labor markets rely increasingly on recommender systems for hiring, talent management, and workforce analytics, with natural language processing (NLP) capabilities at the core. Yet, research in this area remains highly fragmented. Studies employ divergent ontologies (ESCO, O*NET, national taxonomies), heterogeneous task formulations, and diverse model families, making cross-study comparison and reproducibility exceedingly difficult. General-purpose benchmarks lack coverage of work-specific tasks, and the inherent sensitivity of employment data further limits open evaluation. We present WorkRB (Work Research Benchmark), the first open-source, community-driven benchmark tailored to work-domain AI. WorkRB organizes 13 diverse tasks from 7 task groups as unified recommendation and NLP tasks, including job / skill recommendation, candidate recommendation, similar item recommendation, and skill extraction and normalization. WorkRB enables both monolingual and cross-lingual evaluation settings through dynamic loading of multilingual ontologies. Developed within a multi-stakeholder ecosystem of academia, industry, and public institutions, WorkRB has a modular design for seamless contributions and enables integration of proprietary tasks without disclosing sensitive data. WorkRB is available under the Apache 2.0 license at https://github.com/techwolf-ai/WorkRB.

7 April 2026
Verified
Thesis
Closed access
WJWarren Jouanneau
Warren Jouanneau
Pour l’industrie textile et de la mode, les images de vêtements sont essentielles à différentes fins : décisionnelles, collaboratives, promotionnelles, pour tous les types de produits : intemporels, saisonniers, tendance, et à toutes les phases de leur cycle de vie : de la conception à la vente. Il est donc nécessaire de faciliter leur accès et leur recherche parmi un grand nombre d’images candidates. Cela repose le plus souvent sur l’apposition de mots clefs afin de les indexer et de les référencer. Il est alors fondamental d’automatiser la saisie manuelle de ces mots clefs lors de tout dépôt ou collecte d’images. Cette opération chronophage est source d’erreurs ou de descriptions incomplètes des données. De plus, elle est irréalisable pour des cas de collecte ou d’analyse à grande échelle. En apprentissage supervisé, l’attribution d’une étiquette (c.-à-d. un mot clef) se transpose en un problème de classification. Sans information sur la composition de l’image, la classification se fait sur l’image dans sa globalité. Pour avoir des prédictions plus fines, l’approche retenue dans cette thèse se décompose en deux étapes : localisation de chacun des vêtements pour les différencier, puis caractérisation plus fine du contenu de chaque détection. La localisation et la caractérisation sont indépendantes et peuvent être effectuées par différents types de méthodes. Les méthodes de segmentation d’instances, qui sont la forme de localisation la plus fine, ont été retenues. En effet, ces approches permettent d’estimer, sous la forme d’un masque, l’ensemble des pixels constituant un objet donné. Elles offrent de plus l’avantage de différencier les objets d’une même étiquette, ce qui permet une caractérisation indépendante par la suite. Une étude des méthodes de segmentation d’instances a ainsi été réalisée pour le cas particulier des images de vêtements. Nous disposons de données annotées et recourrons donc à des méthodes de segmentation issues de l’apprentissage supervisé, qui reposent sur un étiquetage connu a priori et considéré comme vérité à reproduire. Ces méthodes peuvent alors être évaluées en mesurant l’écart des prédictions à ces annotations. Après avoir montré que les approches classiques de validation de masques de segmentation ne sont pas adaptées à nos cas d’usages, un protocole d’évaluation à trois niveaux a été proposé : global, contour, contenu, afin de discriminer correctement les architectures retenues. Les travaux sur la caractérisation des vêtements se sont concentrés sur trois caractéristiques : type fin du vêtement (ex. jean, pantalon de costume, jogging etc.), motif tissu (ex. rayure, pois, uni etc.), couleur dominante (ex. saumon, fuchsia, corail, etc.). Pour le type de vêtement et le motif tissu, une méthode de classification a été développée pour exploiter les images enrichies de la zone du vêtement. Cependant, certains motifs tissus apparaissent ou disparaissent selon la résolution (ex. rayure fine). Une approche extrayant des patchs à résolution native a alors été proposée. Pour la couleur dominante, les problématiques de dénomination et de partitionnement d’espace de couleur ont été abordées. Ces travaux nous ont permis d’obtenir un processus global d’attribution d’étiquette reversé à Lectra (intégrant segmentation et caractérisation). Enfin, il est parfois difficile de classer une image avec une unique étiquette. Cela est notamment le cas lorsque plusieurs tissus et motifs composent un même vêtement. La classification multi-étiquettes des images est alors plus adaptée. L’application des méthodes d’apprentissage supervisé à ce type de problème nécessite cependant des données dédiées, dont la collecte et l’annotation sont complexes. Pour répondre à ce problème, nous avons développé une méthode faiblement supervisée, nécessitant seulement une étiquette positive connue par image. L’entraînement repose alors sur une nouvelle stratégie efficace pour estimer des exemples négatifs pour chaque classe.