Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

27 novembre 2019

Étude des performances des méthodes de Deep Learning pour la détection d’anomalies dans les images


Catégorie : Stagiaire


Offre de stage (M1-M2 / ST09-ST10) entre février et juillet 2019 :
Étude des performances des méthodes de Deep Learning pour la détection d’anomalies dans les images

Contexte du stage

Depuis plusieurs années, les méthodes « d’intelligence artificielle » pour l’analyse des images et des vidéos se sont largement développées dans notre vie quotidienne. De la voiture intelligente au jeu de go, toutes ces technologies reposent sur une méthode « d’apprentissage statistique » (souvent appelés intelligence artificielle) dont le principe est de concevoir un système de décision automatique sur la base de nombreux exemples. L’exemple du jeu de go a nécessité des millions de parties de jeux afin « d’apprendre » les meilleurs coûts, ou « d’entrainer » l’algorithme à assigner à chaque coup de jeux un score.

Dernièrement, ces méthodes ont connu un véritable bond en avant grâce à l’utilisation conjointe (1) des capacités de calculs des GPU / cartes graphiques, qui ont permit de construire des modèles de décision d’une complexité largement plus vaste que ceux que peuvent manipuler les CPU et (2) l’utilisation du Deep Learning c’est-à-dire de très larges réseaux de neurones qui apprennent non seulement la méthode de décision, mais également comment extraire des informations pertinentes.

 

Objectifs du stage

La problématique proposée dans ce stage est d’utiliser les méthodes de Deep Learning pour la détection fiable d’anomalies dans les images numériques. Par anomalies, une large classe de problèmes différents peut être envisagée ; détection d’une image falsifiée, détection d’informations cachées, voire localisation défaut visible sur des pièces fabriquées en usine et classification de matériau.

La difficulté de la détection fiable réside dans la maîtrise du taux de faux positif ; c’est-à-dire qu’il est important dans de nombreux cas d’éviter de détection des anomalies sur des images qui n’en comportent pas.

Travail du stagiaire

Le principal travail attendu par le stagiaire se découpe en trois étapes :

  1. Une étude technique et fondamentale sur les réseaux de neurones, le Deep learning et les frameworks existants qui permettent de prendre en main ces méthodes (TensorFlow, Keras, ...).
  2. Proposer, sur la base de l’existant, une architecture pour la détection et la localisation de défauts.
  3. Suivant les problèmes de détection choisis par l’étudiant, étudier la robustesse de la solution, comparer les performances statistiques aux méthodes alternatives, etc ….

Compétences nécessaires

Idéalement, les candidats doivent maîtriser la programmation (typiquement en python) ; une expérience en Deep Learning sera appréciée ; de même une connaissance des outils mathématiques de la détection statistique, de l’analyse des données, de l’optimisation est un plus.

Conditions du stage

Le stage se déroule au sein du laboratoire de recherche STMR (Sciences et Technologie pour la Maîtrise des risques)de l'Université de Technologie de Troyes.

Un bureau, partagé par plusieurs étudiants en stage, sera alloué au stagiaire avec un ordinateur fixe pour le travail.

La rémunération de stage se situe autour de 455 € par mois.

Si le travail de l'étudiant est pleinement satisfaisant, une prolongation de ce stage de M2 par une thèse de doctorat sera envisagée.

Contacts

Rémi Cogranne (UTT/LM2S, bureau H109) : remi.cogranne@utt.fr 03 25 75 96 72

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2019.