Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

18 décembre 2019

Thèse CIFRE : Réseaux de neurones récurrents pour le renseignement aérien temps réel


Catégorie : Doctorant


Entreprise : COSE
Adresse : 5 bis route de Saint-Leu
Représenté par : Hervé Guiot
Qualité du représentant : Directeur Technique
Tél : 06 84 50 46 23 Courriel : herve.guiot@COSE.fr
N°SIREN : 310517826 N°SIRET : 31051782600072
Département/Service dans lequel la thèse sera effectué : R&D

Laboratoire : L2TI/LIPN, Institut Galilée, Université Paris 13 Sorbonne Paris Cité
Directeur de thèse : Anissa Mokraoui (L2TI) Courriel : anissa.mokraoui@univ-paris13.fr
Co-directeurs : Hanene AZZAG, Mustapha LEBBAH (LIPN) Courriel : azzag@lipn.univ-paris13.fr; mustapha.lebbah@lipn.univ-paris13.fr

Mots-clés : Renseignement, Cartographie, Vision par Ordinateur, Apprentissage profond, Classification, Détection, Suivi, Intelligence, Cartography, Computer Vision, Deep Learning, Classification, Détection, Tracking

 

Contexte :

L’imagerie satellitaire et les systèmes de vision développés par COSE sont aujourd’hui des équipements de première importance pour disposer d’une connaissance de territoires et d’activités. Avec l’augmentation de la résolution et de la fréquence des images capturées et du nombre de capteurs disponibles, la quantité de données augmente exponentiellement. De ce fait, leur transmission intégrale n’est plus possible et des analyses de premier niveau, doivent être conduites localement et automatiquement, sous la supervision ultime d’un opérateur distant. Ces analyses consistent en la recherche d’objets d’intérêts, leur caractérisation afin d’établir une cartographie à jour du lieu observé ainsi qu’un suivi des objets en mouvement. Au cours des dernières années, les problématiques de détection/classification ont été abordées à des solutions à base de traitement de l’image, d’algorithmes de classification et d’apprentissage profond.

Afin de résoudre les problèmes de détection et classification pour ses données aux particularités suivantes :

- Détection et classification d’un grand nombre d’objets variés (véhicules, infrastructures...)

- Sur des images de très grande dimensions (6000*6000)

- Capturées en un temps court (15 secondes)

COSE a procédé à une évaluation du potentiel de ces techniques :

- Classification à base de détection et caractérisation de points d’intérêts

- Classification à base de réseaux de neurones (VGG, ResNet...)

- Détection par encadrement de segmentation/contours

- Détection par Region Proposal Network

Les nouveaux systèmes de COSE permettront l’acquisition en temps réel de flux images et données ajoutant la possibilité d’acquérir la dynamique des objets détectés. COSE souhaite dans la continuité de ses précédents systèmes aéroportés de renseignement proposer un sujet de thèse visant à traiter la problématique de détection et caractérisation des objets fixes et mobiles en exploitant pour chaque objet la multiplicité d’informations spatiales et temporelles contenues dans les flux images et données de l’ensemble des capteurs disponibles.

Les réseaux de neurones récurrents sont une piste privilégiée pour la conduite de cette thèse.

La résolution de ces problèmes participerait au développement des transmissions de données intelligentes priorisant l’information utile.

Axes de recherche et missions :

- Evaluation des performances de détection et classification sur des capteurs multi-spectraux

- Evaluation des techniques de suivi d’objets sur un flux images et données

- Conception d’architectures spécifiques d’apprentissage profond pour le suivi d’objets et la caractérisation du mouvement des objets. Dans ce cadre, COSE est intéressé par le potentiel des réseaux de neurones récurrents afin de caractériser l’évolution temporelle des objets.

Références :

- Felzenszwalb, Pedro F., and Daniel P. Huttenlocher. “Efficient Graph-Based Image Segmentation.” International

Journal of Computer Vision, vol. 59, no. 2, 2004, pp. 167–181., doi:10.1023/b:visi.0000022288.19776.77.

- Zitnick, C. Lawrence, and Piotr Dollár. “Edge Boxes: Locating Object Proposals from Edges.” Computer Vision ECCV 2014 Lecture Notes in Computer Science, 2014, pp. 391–405., doi:10.1007/978-3-319-10602-1_26.

- Bay, Herbert, et al. “SURF: Speeded Up Robust Features.” Computer Vision ECCV 2006 Lecture Notes in Computer Science, 2006, pp. 404–417., doi:10.1007/11744023_32.

- Yang, Jun, et al. “Evaluating Bag-of-Visual-Words Representations in Scene Classification.” Proceedings of the International Workshop on Workshop on Multimedia Information Retrieval - MIR '07, 2007, doi:10.1145/1290082.1290111.

- Ren, Shaoqing, et al. “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks.” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 39, no. 6, 2017, pp. 1137–1149., doi:10.1109/tpami.2016.2577031.

- Lagrange, Adrien, et al. “Benchmarking Classification of Earth-Observation Data: From Learning Explicit Features to Convolutional Networks.” 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2015, doi:10.1109/igarss.2015.7326745.

- Likforman-Sulem, Laurence. “Recent Approaches in Handwriting Recognition with Markovian Modelling and Recurrent Neural Networks.” Recent Advances of Neural Network Models and Applications Smart Innovation, Systems and Technologies, 2014, pp. 261–267., doi:10.1007/978-3-319-04129-2_26.

 
Profil du Candidat

Formation : Master ou diplôme d’ingénieur avec des résultats excellents
Compétences recherchées :

- Traitement de l’image, Vision par ordinateur

- Apprentissage machine et profond

- Programmation en Python, C++, Matlab

- Framework : TensorFlow, Pytorch, scikit, opencv

- Anglais
 

Dans cette rubrique

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