Etudes des méthodes d'apprentissages auto-supervisées pour des images 3D texturées

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. Depuis les concepts scientifiques en recherche fondamentale jusqu’aux solutions technologiques en recherche appliquée, l’innovation est au cœur de son action, articulée autour de quatre orientations stratégiques : climat, environnement et économie circulaire ; énergies renouvelables ; mobilité durable ; hydrocarbures responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur l’apport de solutions aux défis sociétaux et industriels de l’énergie et du climat, au service de la transition écologique. Partie intégrante d’IFPEN, IFP School, son école d’ingénieurs, prépare les générations futures à relever ces défis.

Etudes des méthodes d'apprentissages auto-supervisées pour des images 3D texturées

Les méthodes d'apprentissage basées sur les architectures neuronales permettent de résoudre des problèmes de classification et de segmentation avec des performances pour l'instant non égalées dans le domaine du traitement d'images et de la vision par ordinateur.

A IFPEN les images issues de nos moyens d'acquisition sont en général très spécifiques dans leurs dimensions (reconstruction tomographique de volumes 3D) et apportent une dynamique, une texture et un contenu très éloignés de ceux des images couramment employées pour l’apprentissage des modèles (par exemple la base de données ImageNet).

Construire des bases de données qui permettraient l’optimisation de modèles neuronaux dédiés aux applications spécifiques de tomographie telles qu’en analyse des roches (Digital Rock Physics ou DRP) ou en catalyse se heurterait à la réalité du coût de l’annotation des données industrielles. En effet, mobiliser l’expertise pour annoter est une tâche extrêmement laborieuse. L’utilisation des techniques d’apprentissage auto-supervisées permettraient de réduire la taille du jeu de données labellisées tout en atteignant les mêmes niveaux de performance.

Ce stage se déroulera en deux étapes :

• Réaliser l’état de l’art des méthodes d’auto-apprentissage (ou self-supervised learning) des données 2D et 3D.
• Etudier l’adaptabilité de ces méthodes pour des images 3D à fortes textures utilisées dans les applications de Digital Rock Physics.

Profil recherché : 

Master 2 ou Projet fin d’étude Ingénieur. Domaine Mathématiques appliquées (Data science + Computer Science).

• Intéressé par le « Deep Learning » et les différentes architectures de réseau de neurones en traitement d’image.
• Connaissances de la programmation Python et de pytorch/torchvision/ignite appréciées.