Pause
Lecture
Moteur de recherche d'offres d'emploi CEA

Détection d'évènements anormaux dans les scènes dynamiques H/F


Détail de l'offre

Informations générales

Entité de rattachement

Le Commissariat à l'énergie atomique et aux énergies alternatives (CEA) est un organisme public de recherche.

Acteur majeur de la recherche, du développement et de l'innovation, le CEA intervient dans le cadre de ses quatre missions :
. la défense et la sécurité
. l'énergie nucléaire (fission et fusion)
. la recherche technologique pour l'industrie
. la recherche fondamentale (sciences de la matière et sciences de la vie).

Avec ses 16000 salariés -techniciens, ingénieurs, chercheurs, et personnel en soutien à la recherche- le CEA participe à de nombreux projets de collaboration aux côtés de ses partenaires académiques et industriels.  

Référence

2022-23633  

Description de l'unité

Au sein de CEA Tech qui est le pôle « recherche technologique » de l'organisme, l'Institut LIST dédie ses activités aux systèmes numériques intelligents avec des programmes de R&D dans le manufacturing avancé, les systèmes embarqués, et l'intelligence ambiante. Nous accompagnons nos partenaires dans les domaines des transports, de l'industrie, de l'énergie, de la santé, de la sécurité et de la défense, pour transférer les technologies issues de l'innovation et pour améliorer leur compétitivité.

Description du poste

Domaine

Mathématiques, information  scientifique, logiciel

Contrat

Stage

Intitulé de l'offre

Détection d'évènements anormaux dans les scènes dynamiques H/F

Sujet de stage

La reconnaissance d'évènements anormaux dans des vidéos par apprentissage profond est une fonctionnalité cruciale pour les applications en conduite autonome, en sécurité routière ou encore en vidéoprotection / vidéosurveillance.

L'objectif du stage est de proposer une méthode pour modéliser la normalité dans le cadre de caméra dynamique (dashcam embarquée dans une voiture autonome, un robot ou un drone, par exemple) afin de détecter spatialement et temporellement les évènements anormaux. Le candidat étudiera pour cela les caractéristiques de la scène : analyse des apparences, des mouvements (égocentriques et externes), trajectoires et positionnements en fonction du contexte (background), interactions entre les différents objets de la scène. Les caractéristiques les plus pertinentes seront ensuite utilisées et des mécanismes de fusion seront investigués pour modéliser la normalité afin de pouvoir détecter un vaste champ d'anomalies. La publication des résultats sera encouragée.

Durée du contrat (en mois)

6

Description de l'offre

La reconnaissance d’évènements anormaux dans des vidéos par apprentissage profond est une fonctionnalité cruciale pour les applications en conduite autonome, en sécurité routière ou encore en vidéoprotection / vidéosurveillance. Il existe cependant encore beaucoup de verrous techniques et scientifiques. Les principaux sont les suivants:

  • La dépendance au contexte : Un évènement normal dans un contexte peut ne pas l’être dans un autre.
  • L’hétérogénéité des évènements anormaux : comment décrire et caractériser un évènement anormal ?
  • La rareté des évènements anormaux : souvent les données ne sont pas disponibles ou disponibles en petites quantités.
  • La complexité de la scène : l’arrière-plan peut être dynamique et complexe à analyser.
  • Les différents niveaux sémantiques nécessaires pour la modélisation des évènements d’intérêt : de l’analyse bas niveau de motifs et de mouvements, à la détection des personnes et d’objets en présence, l’estimation de leur densité et de leurs trajectoires, jusqu’à la compréhension haut niveau d’évènements comme un vol, une agression, un incendie ou une manœuvre dangereuse sur la route.
  • Le temps de traitement et la latence : une réponse temps réel est requise dans certaines applications comme la conduite autonome.

Les méthodes par apprentissage profond supervisé nécessitent des annotations en grande quantité, ce qui dans ce contexte est compliqué à obtenir. Les données anormales sont rares par rapport aux données normales et l’annotation de vidéos est par ailleurs une tâche fastidieuse. Ces méthodes ne peuvent donc pas être directement appliquées pour la détection d’anomalies dans les vidéos. Une stratégie, dite « one-class », consiste à modéliser la classe normale pour en déduire les évènements anormaux qui sont trop différents du modèle de normalité [1,2]. Différents paradigmes (Auto-encoders, Generative Adversarial Networks, tâches prétextes auto-supervisées…) permettent cette modélisation de façon non supervisée.

L’objectif du stage est de proposer une méthode pour modéliser la normalité dans le cadre de caméra dynamique (dashcam embarquée dans une voiture autonome, un robot ou un drone, par exemple) afin de détecter spatialement et temporellement les évènements anormaux. Le candidat étudiera pour cela les caractéristiques de la scène : analyse des apparences, des mouvements (égocentriques et externes), trajectoires et positionnements en fonction du contexte (background), interactions entre les différents objets de la scène. Les caractéristiques les plus pertinentes seront ensuite utilisées et des mécanismes de fusion seront investigués pour modéliser la normalité afin de pouvoir détecter un vaste champ d’anomalies. La publication des résultats sera encouragée.

Cf. le document pdf joint pour les références.

Profil du candidat

Niveau demandé : Ingénieur, Master 2

Ce stage ouvre la possibilité de poursuite en thèse et ingénieur R&D dans notre laboratoire.

Durée : 6 mois

Rémunération : entre 700 € et 1300 € suivant la formation.

Compétences requises : Vision par ordinateur, Deep learning. La maîtrise de Python et d’un framework d’apprentissage (en particulier, Pytorch)

Localisation du poste

Site

Saclay

Localisation du poste

France, Ile-de-France, Essonne (91)

Ville

Palaiseau

Demandeur

Disponibilité du poste

01/02/2023