Annonce

Les commentaires sont clos.

INFERENCE DE PROFONDEUR MONOCULAIRE PAR DEEP LEARNING

30 Novembre 2021

Catégorie : Stagiaire

La connaissance de la structure 3D d’une scène est nécessaire pour un grand nombre d’applications de robotique. On rencontre la plupart du temps deux cas de figure :

  • Le système possède un système actif (ex : LIDAR)
  • Le système ne possède qu’un système de perception passif tel qu’une ou plusieurs caméras

Dans le cas passif, il existe un grand nombre de méthodes géométriques qui permettent de reconstruire les scènes avec succès et ce dans un grand nombre de situations. Cependant ces méthodes géométriques présentent tout de même un certain nombre de limitations (nécessité de posséder plusieurs images des scènes, stabilité des points d’intérêt, calibration des caméras, etc.) que l’on peut pallier de nos jours par des approches par apprentissage automatique ou deep learning. En effet, ces approches permettent de faire ressortir des indices visuels pertinents pour l’inférence de profondeur (occlusion, perspectives, élévation, etc.) et ainsi de déterminer une transformation permettant d’obtenir une carte de profondeur de l’image.

Dans la pratique, les caméras sont conçues pour fournir des images nettes sur la plus grande profondeur de champ possible. Or, le flou de focalisation constitue lui aussi un indice de profondeur considérable. Pour réaliser au mieux la tâche d’inférence de profondeur, il serait donc pertinent de maitriser le flou de focalisation présent dans l’image. Ici, le but du stage sera d’étudier l’impact de ce flou sur les performances de l’inférence de profondeur monoculaire par des méthodes de deep learning.

Au sein du pôle Digital Science and Technologies de Safran Tech, vous aurez la mission de proposer et d’étudier une méthodologie permettant d’exploiter le flou de focalisation d’une caméra pour améliorer les performances des méthodes d’’inférence de profondeur basées sur le deep learning.

Dans un premier temps, vous aurez en charge d’étudier les architectures des réseaux de neurones présents dans l’état de l’art pour l’inférence de profondeur. Sur la base de cette connaissance vous étudierez ensuite comment intégrer l’indice de flou dans les architectures les plus pertinentes afin de maximiser les performances du système.

Les développements se feront sur un framework de deep learning, pytorch, et se coderont par conséquent en python. Une première expérience dans l’entrainement de réseaux de neurones et l’utilisation d’une librairie de deep learning seraient appréciées.

Formation : Dernière année d’école d’ingénieur, master recherche ou stage de césure

Langues : Anglais pour lecture scientifique

Spécialités : Mathématiques appliquées, machine learning, traitement d’image

Qualités requises : Initiative, autonomie, capacité d’adaptation et esprit de synthèse. Goût pour la recherche

Contacts : ahmed-nasreddine.benaichouche@safrangroup.com , Pôle Digital Sciences and Technologies .

michel.moukari@safrangroup.com, Pôle Digital Sciences and Technologies.

Site : SafranTech, Rue des Jeunes Bois, 78772 Magny-Les-Hameaux

Dates et durée du stage : 6 mois