Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

23 janvier 2019

Thèse CIFRE @ Smiths Detection / Paris Descartes : Deep learning pour le contrôle de cargaisons, imagerie rayons X


Catégorie : Doctorant


Sujet : De l’image au texte : l’apprentissage profond et l’indexation en Imagerie par Rayons X

 

(stage M2/Ingénieur ou thèse CIFRE)

 

Sujet de recherche proposé par l’entreprise Smiths Detection en partenariat avec le laboratoire d’Informatique LIPADE de l’Université Paris-Descartes.

Ce sujet peut être traité sous la forme d’un stage de fin d’étude (niveau M2 / Ingénieur) suivi d’une thèse CIFRE ou être directement abordé dans le cadre d’une thèse CIFRE.

 

Mots clefs :imagerie par rayons X, « deep learning », indexation d’images, « image2text », « visual learning », recherche de matières illicites

Contexte: Smiths Detection est l’une des cinq divisions opérationnelles de Smiths Group plc, un groupe d’ingénierie d’envergure mondiale coté à la bourse de Londres. Née en 1997, l’entreprise s’est développée en intégrant les compétences technologiques d’acteurs clés sur de nombreux marchés afin de créer un leader mondial du secteur. En août 2003, l’entreprise est devenue une division à part entière du groupe Smiths. Elle développe et commercialise des systèmes d’imagerie utilisant des rayons X pour le contrôle des bagages dans les aéroports et sites « sensibles » mais aussi pour contrôler les cargaisons au niveau des ports et des frontières terrestres. Elle offre des solutions avancées en matière de sécurité à des fins de détection et d'identification des explosifs, des agents chimiques et biologiques, des armes et des drogues.

Objectifs du sujet de recherche : Le sujet de stage + thèse CIFRE proposé s’intéresse aux domaines de l’indexation d’images par « deep learning » (apprentissage profond), en particulier sur des images de véhicules et de conteneurs. Indexer une image consiste en la vectorisation de cette dernière via l’extraction de caractéristiques visuelles (textures, couleur, indices de formes) pour permettre un stockage dans une base de données et une recherche ultérieure d’informations.

Cette problématique intervient dans notre contexte dans deux cas d’usage :

Dans les deux cas, l’objectif commun est de considérer une représentation haut-niveau du contenu des images permettant une indexation efficace, rapide et « évolutive » (robuste envers l’ajout de nouvelles images dans la collection).

Actuellement, la plupart des moteurs d’indexation par le contenu se basent sur des représentations dites intermédiaires (l’avant dernière couche d’un réseau de neurones, par exemple). Il a été montré que les représentations sémantiques des images, dans laquelle le vecteur caractéristique est formé de probabilités associées à des concepts sémantiques tels « pistolet », « cigarette », « chaise », « conserves » etc. constituent une bonne alternative. Le but de ce sujet de recherche est ici de coupler ces deux approches pour permettre de prédire automatiquement la description sémantique d’une image (de la notion de mots-clés à la notion de phrases) à partir de modèles d’apprentissage profond [Krishna2017, Li2018] entrainés sur des bases de données existantes.

Les verrous scientifiques sont liés principalement aux détournements de modèles entrainés sur des bases d’images naturelles (ImageNet, etc.) à l’analyse d’images à rayons X de chargements.

Profil du candidat :

et un gout prononcé pour la lecture/rédaction (en anglais) de documents (brevets, publications) scientifiques.

Aspects techniques :

Le développement logiciel sera réalisé en Python et C++. Le doctorant sera amené à utiliser les librairies de traitement d’images développées par l’entreprise, et à y intégrer le développement de modules d’indexation réalisée pendant la thèse.

Candidatures :

Envoyer un CV étendu et une lettre de motivation à :

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2018.