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
2022-23632
Description de l'unité
Basé à Paris-Saclay, le CEA List est l'un des quatre instituts de recherche technologique de CEA Tech, direction de la recherche technologique du CEA. Dédié aux systèmes numériques intelligents, il contribue au développement de la compétitivité des entreprises par le développement et le transfert de technologies.
L'expertise et les compétences développées par les 800 ingénieurs-chercheurs et techniciens du CEA List permettent à l'Institut d'accompagner chaque année plus de 200 entreprises françaises et étrangères sur des projets de recherche appliquée s'appuyant sur 4 programmes et 9 plateformes technologiques. 21 start-ups ont été créées depuis 2003.
Labellisé Institut Carnot depuis 2006, le CEA List est aujourd'hui l'institut Carnot Technologies Numériques
Le Laboratoire de Vision et Apprentissage pour l'analyse de scène (LVA) mène ses recherches dans le domaine de la Vision par Ordinateur (Computer Vision) selon quatre axes principaux :
• La reconnaissance visuelle (détection et/ou segmentation d'objets, de personnes, de patterns ; détection d'anomalies ; caractérisation)
• L'analyse du comportement (reconnaissance de gestes, d'actions, d'activités, de comportements anormaux ou spécifiques pour des individus, un groupe, une foule)
• Annotation intelligente (annotation à grande échelle de données visuelles 2D/3D de manière semi-automatique)
• Perception et décision (processus de décision markovien, navigation)
Description du poste
Domaine
Mathématiques, information scientifique, logiciel
Contrat
Stage
Intitulé de l'offre
Recherche d'une représentation robuste 3D d'une classe sémantique à partir d'une collection H/F
Sujet de stage
Ce stage s'inscrit dans un projet de recherche dont l'objectif est de mettre au point un détecteur à classes paramétrables par des modèles CAO en se basant sur les mécanismes d'attention et les réseaux de neurones profonds. Ce détecteur qui prend en entrée une image et un ensemble de modèle CAO doit retrouver dans l'image la présence ou non de ces objets. Les modèles CAO donnés en entrée ne correspondant pas nécessairement exactement à la forme de l'objet présent dans l'image, le réseau doit être en mesure d'accepter une tolérance à la forme dans sa reconnaissance. La pertinence, la robustesse et la compacité de la représentation des modèles CAO dans l'approche sont des points clefs pour le bon fonctionnement de ce détecteur.
Durée du contrat (en mois)
6
Description de l'offre
L'objectif de ce stage est de concevoir et développer une méthode de recherche d’une représentation robuste d’une classe sémantique à partir d’une collection de modèles CAO. Concrètement, les deux questions suivantes seront investiguées : (1) Quelle est la représentation commune aux modèles CAO d’une même classe sémantique, qui soit invariante aux déformations géométriques ? (2) Faut-il avoir une ou plusieurs représentations 3D pour une classe sémantique d’objets ?
Un premier axe de recherche consistera à déterminer les sous-catégories d’une classe d’objets (ex. chaise, voiture, avion, etc…) au sens de la forme, à partir d’une collection de modèles CAO. Une réflexion sur les critères de clustering définissant la notion de bon représentant devra être définie ainsi que la caractérisation de l’éloignement à ce représentant et son implication sur la forme. Un deuxième axe consistera à rechercher une représentation 3D d’une classe d’objets par une modélisation robuste aux déformations sur l’espace des formes tout en conservant la structuration sémantique de la classe. Cette modélisation devra permettre de trouver le ou les meilleurs représentant(s) géométrique(s) des différentes classes sémantiques.
Pour avoir cette modélisation, un point-clé sera de saisir les déformations entre différents modèles d’une même classe. Certaines méthodes par apprentissage profond encodent l’information de façon globale dans un espace de représentation latent où les régularisations, les interpolations et les paramétrisations permettent de générer des formes cohérentes appartenant à la bonne classe. D’autres méthodes proposent des représentations structurées : le modèle 3D est représenté par un ensemble de formes locales déformables, de structure globale avec des déformations locales qui portent un sens sémantique, ou des représentations hiérarchiques.
Dans un premier temps, le candidat étudiera les méthodes de l’état de l’art de recherche de représentation 3D. Ces approches de l’état de l’art devront être évaluer sur la base de données ShapeNet en portant un intérêt particulier autour de la modélisation de déformation 3D, de sa quantification et de son impact dans l’espace 2D après rendu. Cela permettra de caractériser l’adéquation de ces modélisations pour une intrégration dans un détecteur d’objets à classes paramétrables. Le candidat sera également invité à proposer une nouvelle méthode de recherche de représentation à partir d’une collection de modèle CAO. Les travaux menés durant le stage pourront faire l’objet d’une publication scientifique.
#StageList
Moyens / Méthodes / Logiciels
3D shape representation, 3D shape retrieval, 3D shape clustering, attentional mechanism, deep learni
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
- Apprentissage automatique (deep learning)
- Géométrie 3D et Reconnaissance de formes
- Python, C/C++
- Maîtrise d’un framework d’apprentissage profond (en particulier PyTorch ou Tensorflow)
Localisation du poste
Site
Saclay
Localisation du poste
France, Ile-de-France, Essonne (91)
Ville
Palaiseau
Critères candidat
Diplôme préparé
Bac+5 - Master 2
Formation recommandée
Ecole d'ingénieur ou Master 2 recherche en informatique et IA
Possibilité de poursuite en thèse
Oui
Demandeur
Disponibilité du poste
31/01/2023
Je me crée un espace candidat
