Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

2 décembre 2019

IA pour l’aide à la CARactérisation de l’environnement et/ou d’Objets présents à partir de données Multi-Sources (IA-CAROMS)


Catégorie : Post-doctorant


Résumé : Dans le cadre de ce poste, nous nous intéressons à la problématique d’extraction de connaissances et d’information à partir d’un volume important de données. Ainsi, l’objectif dans ce travail serait l’analyse et l’application de méthodes innovantes en Intelligence Artificielle (IA) telles que les méthodes de Deep learning, notamment le transfert d’apprentissage pour l’analyse des données pouvant provenir aussi bien de capteurs « conventionnels » (Radar, Optique, Lidar, GNSS…) que de « sources d’informations » moins conventionnels (archives, cartes géographiques, prévisions météorologiques, connaissances opérationnelles, …).

Ce poste est aussi ouvert aux étudiants titulaires d’un diplôme d’ingénieur dans l’un des domaines indiqués dans les objectifs. Dans le cadre de ce poste, le candidat retenu sera amené à travailler en équipe et à collaborer avec des partenaires externes.

 

Contexte et objectifs :

Ce projet s’insère dans le cadre de la caractérisation de l’environnement et la description fine d’une scène observée pour des applications de détection, localisation et le suivi de cibles éventuelles (avion, navire, véhicule…). Dans le cadre de ce travail, nous nous intéressons aux méthodes innovantes en Intelligence Artificielle (IA) telles que les méthodes de Deep learning, notamment le transfert d’apprentissage pour l’analyse des données pouvant provenir aussi bien de capteurs « conventionnels » (Radar, Optique, Lidar, GNSS…) que de « sources d’informations » moins conventionnels (archives, cartes géographiques, prévisions météorologiques, connaissances opérationnelles, …). Pour la prise de décision, l’ensemble des différentes sources fournissent la matière de base, notre objectif étant le développement de nouvelles architectures de traitement permettant d’améliorer les performances et l’adaptabilité du système dans des nouvelles tâches/actions en s’appuyant sur le transfert d’apprentissage.

En conséquence, le travail demandé portera sur le développement d’outils dédiés à l’apprentissage profond évolutif. Les approches d’apprentissage à développer doivent être capables de s’adapter à de nouvelles situations non apprises dans le contexte de la caractérisation d’une scène naturelle en présence d’objets, et cela à partir de données hétérogènes. L’évaluation de l’architecture développée sera menée en comparaison avec des méthodologies classiques développées au sein du laboratoire.

Mots clés :

Données multi-sources, signaux n-D, Data Sciences, Machine learning, Deep learning, Transfer learning, classification, traitement du signal et des images, optimisation, environnement naturel,

Informations pratiques

Laboratoire d’Accueil : Lab-STICC UMR CNRS 6285

Lieu : ENSTA Bretagne, 2 Rue François Verny, 29806 Brest Cedex 09

Salaire : 1940 € net mensuel

Candidature :

Envoyer un CV et une lettre de motivations.

Ali.Khenchaf@ensta-bretagne.fr

 

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2020.