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

IFP Energies nouvelles - Sciences et Technologies du Numérique

Stage Data / Mathématiques Appliquées Hauts-de-Seine entre mars et juin 2022 5 mois


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. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : Mobilité Durable, Energies Nouvelles, Climat / Environnement / Economie circulaire et 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 de l’énergie et du climat, en favorisant la transition vers une mobilité durable et l’émergence d’un mix énergétique plus diversifié ;
  • la création de richesse et d’emplois, en soutenant l’activité économique française et européenne et la compétitivité des filières industrielles associées.

Partie intégrante d’IFPEN, l’école d’ingénieurs IFP School 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.

(PDF - Max : 5 Mo)
(PDF - Max : 5 Mo)

En cliquant sur postuler, je crée mon profil iQuesta et j'accepte les conditions d'utilisation d'iQuesta.
contact

IFP Energies nouvelles - Sciences et Technologies du Numérique
Jean François Lecomte

Indemnité Oui

12 Annonces
Formations
Les formations en Data / Mathématiques Appliquées
Métiers
Data Analyst
Le Data Analyst occupe une place stratégique dans un monde de plus en plus numérique où la quantité de données…
Conseils
Pour que la vie d’étudiant ne rime pas avec parcours du combattant, retrouvez tous nos conseils stage / alternance / emploi