Suivez

la liste

De nombreuses expériences réalisées au sein de la Direction des Applications Militaires du CEA mettent en œuvre des diagnostics expérimentaux basés sur des mesures optoélectroniques et radiographiques. Le traitement de ces mesures nécessite le développement d’outils spécifiques, capables d’extraire l’information pertinente de chaque diagnostic.
Le laboratoire d’accueil est en charge du développement et de l’amélioration continue des outils de traitement, et souhaite mettre à profit les méthodes basées sur l’intelligence artificielle (IA) pour disposer d’outils plus robustes et plus efficaces afin d’améliorer la qualité des traitements. Ces outils devront également être génériques et modulables afin de s’adapter à différents types de données.
Dans ce cadre, le laboratoire propose un stage de recherche et développement de 6 mois visant à évaluer l’intérêt des méthodes de segmentation d’images par IA à partir de peu d’exemples (ou « Few shot segmentation » [1-3]). Dans un premier temps, le stage a pour objectif de tester les algorithmes de l’état de l’art afin de sélectionner la méthode la plus adaptée aux données du laboratoire (radiographies X et spectrogrammes). Dans un second temps, des pistes d’amélioration de la méthode sélectionnée pourront être étudiées. Le candidat participera au développement d’un outil opérationnel proposant aux utilisateurs une interface permettant de mettre en œuvre l’algorithme développé. L’ensemble des développements s’effectuera en Python. Une maîtrise correcte du langage est donc nécessaire, et la connaissance de librairies telles que PyTorch sera appréciée. Le stagiaire devra également avoir une solide formation en mathématiques appliquées et en intelligence artificielle. La mise en œuvre d’outils d’apprentissage statistique sur des images, et en particulier une expérience préalable avec les réseaux convolutionnels, serait un plus.

Le stage est à pourvoir dès que possible.

[1] X. Li et al. 2020. FSS-1000 : A 1000-Class Dataset for Few-Shot Segmentation. arXiv :1907.12347v2.
[2] F. Sung et al. 2018. Learning to Compare : Relation Network for Few-Shot Learning. arXiv :1711.06025v2.
[3] R. Azad et al. 2020. On the Texture Bias for Few-Shot CNN segmentation. arXiv :2003.04052