Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

3 juillet 2017

Thèse CIFRE : Détection, reconnaissance et identification de cibles par apprentissage profond


Catégorie : Doctorant


Thèse CIFRE : Détection, reconnaissance et identification de cibles par apprentissage profond.

Lieux de déroulement de la thèse : Brest et Paris

Contrainte : Pour des raisons liées à la nature du financement et du sujet, les candidats doivent être français ou de l'union européenne.

 

1 Motivations

L’apprentissage profond (ou deep learning) est une technique en fort développement ces dernières années car elle a démontré qu’elle pouvait conduire à des performances excellentes quand il s'agit de faire réaliser une tâche spécifique à un ordinateur (pour classer automatiquement des images, détecter et reconnaître des objets dans des images, reconnaître la parole d'un locuteur, etc.). Les progrès récemment réalisés dans ce domaine de l'apprentissage sont dus à des avancées algorithmiques mais également à l'accès à de grandes masses de données et aux capacités de calculs accrues des ordinateurs (calculs parallèles par GPU notamment). Nous proposons dans ce projet de thèse de s’appuyer sur cette technique pour résoudre les tâches de détection, reconnaissance et identification (DRI) d’objets (typiquement des véhicules) dans des images à des fins de surveillance. Le but de la détection est de localiser et de segmenter l’objet dans l’image. La reconnaissance porte quant à elle sur la classification en termes de types d’objets (par exemple : camions ou voitures). Enfin, l’identification permet de distinguer des véhicules à l’intérieur d’une même classe de reconnaissance.

2 Travail demandé

Pour répondre cet objectif de DRI nous proposons de mettre en œuvre des réseaux de neurones convolutionnels (CNN). Le premier objectif de la thèse sera d’analyser et de comprendre la problématique ainsi que le contexte opérationnel afin de développer des architectures d’apprentissage profond adaptées et performantes. Pour cela nous pourrons nous appuyer dans un premier temps sur des données synthétiques. Différents critères d’évaluation et de ‘monitoring’ de l’apprentissage devront être employés et mis en œuvre. Enfin, il faudra quantifier les performances des résultats fournis en sortie de l’algorithme. Par la suite l’objectif sera de réaliser un transfert d’apprentissage. Le but sera d’exploiter les architectures développées pour des données acquises dans un cadre opérationnel. Il faudra alors évaluer et caractériser les éventuelles pertes en performances. Des évolutions de l’architecture pourront alors être réalisées portant par exemple l’apprentissage incrémental.

3 Profil du candidat

Le candidat devra posséder de fortes compétences en mathématiques appliquées, en traitement du signal et des images, en programmation et en machine learning. Des connaissances générales ou une première expérience en Deep Learning seront fortement appréciées.

4 Comment postuler

Les candidats intéressés devront fournir un C.V. et exprimer leur motivation pour le sujet. Par ailleurs, Il est également demandé de fournir au moins un référent ou une lettre de recommandation.

Le dossier est à envoyer à : alexandre.baussard@ensta-bretagne.fr

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2015.