Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

4 octobre 2017

Stage Airbus : Deep Learning pour la Détection d'objets en mouvement dans des vidéos aériennes


Catégorie : Stagiaire


Offre de stage de 6 mois en 2018 chez Airbus Defence and Space à Elancourt, en Deep Learning pour la détection d'objets en mouvement dans des vidéos aériennes.

 

La détection d’objets en mouvement dans les vidéos aériennes, autrement dénommée VMTI (Video Moving Target Indicator) est un composant essentiel de la tenue de situation dans des contextes militaires et de sécurité. La difficulté de la tâche réside dans le fait que l’ensemble de la scène est en mouvement du fait des déplacements du porteur (drone, avion, hélicoptère). L’approche généralement utilisée consiste à estimer le mouvement global de la scène puis à détecter les objets dont le mouvement est différent de celui de la scène. Cette approche se heurte toutefois à la difficulté d’estimer précisément le mouvement image de la scène lorsque sa structure 3D n’est pas connue (effets de parallaxe). Les progrès importants apportés par les techniques d’apprentissage et notamment d’apprentissage profond (Deep Learning) laissent présager que ces techniques pourraient également améliorer les performances de détection et de fausse alarme des objets en mouvement dans des vidéos aériennes, y compris en présence de nombreuses structures 3D, à condition que la base d’apprentissage soit suffisamment représentative. L’objectif du stage est donc de proposer une chaîne d’apprentissage et de détection d’objets mobiles dans des vidéos aériennes en s’appuyant sur l’état de l’art dans le domaine.

Ce stage commencera entre le 1er janvier et le 30 juin 2018 et sera d’une durée de 6 mois.

Les candidatures sont à adresser à : denis.marraud[AT]airbus.com ou directement sur le site d'Airbus au lien ci-dessous: http://company.airbus.com/careers/jobs-and-applications/search-for-vacancies~jobid=001A4B0A914A1ED7A6929F42E945CA0F~.html

 

Dans cette rubrique

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