En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)
Portail > Offres > Offre UMR6072-FREJUR0-011 - Jeune chercheur en apprentissage profond et vision par ordinateur (H/F)

Jeune chercheur en apprentissage profond et vision par ordinateur (H/F)

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Faites connaître cette offre !

Informations générales

Référence : UMR6072-FREJUR0-011
Lieu de travail : CAEN
Date de publication : jeudi 5 septembre 2019
Type de contrat : CDD Scientifique
Durée du contrat : 12 mois
Date d'embauche prévue : 1 novembre 2019
Quotité de travail : Temps complet
Rémunération : 30 à 35k€ brut annuel selon expérience
Niveau d'études souhaité : Doctorat
Expérience souhaitée : Indifférent

Missions

Notre objectif principal dans ce projet est de développer des méthodes pour apprendre des modèles profonds «frugaux» capables de garder des capacités généraliser, tout en diminuant de manière significative les ressources de calcul nécessaires pour l'apprentissage, et capables de d'apprendre avec peu de supervision. Les données massives non étiquetées disponibles dans de nombreuses applications de Vision artificielle sont généralement considérées comme un contexte utile pour l'apprentissage, en ce sens qu'elles ne nécessitent aucune annotation humaine. L'idée d'utiliser des méthodes non supervisées pour limiter la supervision n'est pas nouvelle (voir par exemple les travaux de Suddarth et Kergosien, 1990). Le critère de base pour un apprentissage non supervisé est la reconstruction (ou la génération) des entrées. Par exemple, avec un encodeur automatique pour les images naturelles, le décodeur tentera de reconstruire l'entrée d'origine (avec tous les détails) à partir de la représentation interne. Cependant, cette approche peut ne pas être optimale pour des tâches telles que la classification d'images où les détails au niveau des pixels ne sont pas pertinents, car de tels modèles devraient en réalité être invariants pour de nombreuses conditions d'imagerie de bas niveau. Le réseau en échelle proposé plus récemment (voir l'ouvrage de Valpola, 2015, chap. 8) modifie le schéma de base de reconstruction de l'auto-codeur en n'exigeant pas que la reconstruction soit effectuée à partir de la représentation interne la plus profonde. Au lieu de cela, le décodeur reçoit également des entrées des couches correspondantes du codeur en ajoutant des connexions latérales, de sorte qu'il n'est pas nécessaire de propager les détails les plus fins vers des couches de représentation profondes. Basés sur la même idée, nous explorerons d'autres schémas pour apprendre des représentations hiérarchiques adaptées à des tâches abstraites de haut niveau telles que la classification d'images, tout en conservant la possibilité de reconstruire des détails fins dans l'entrée pour assurer la compatibilité avec les fonctions de perte basées sur la reconstruction. Nous souhaitons explorer 3 directions différentes: modèles avec opérateurs de diffusion, représentations mixtes composées de valeurs continues et discrètes, modèles génératifs profonds.

Activités

- développement d'algorithmes
- lecture et rédaction d'articles
- validations expérimentales

Compétences

- apprentissage machine
- apprentissage profond
- vision par ordinateur

Contexte de travail

L'équipe IMAGE est l'une des 7 équipes de recherche du laboratoire GREYC, situé à Caen / France. Ses activités de recherche sont centrées sur le développement de nouvelles méthodes de traitement et d'analyse de signaux/images/vidéos ou de données discrètes, en s'attachant à lever les verrous théoriques, algorithmiques, méthodologiques et pratiques. Plusieurs de ces méthodes sont appliquées pour la résolution de problèmes concrets, en bénéficiant notamment de collaborations avec des centres de recherche bas-normands en imagerie biomédicale (Cyceron, CHU de Caen, Centre F. Baclesse, Centre Hospitalier Public du Cotentin). L'équipe possède des expertises fortes sur les deux thèmes suivants :
– Les méthodes variationnelles, EDP et statistiques pour le traitement des images, dont le socle scientifique commun s'articule autour des problèmes inverses, l'optimisation, les signaux sur graphes, les nuages de points, les statistiques en haute dimension pour l'image (estimation, décision, transport optimal), la photographie computationnelle et la morphologie mathématique multivariée.
– La reconnaissance de formes et la recherche d'information dans les images/vidéos. Ce thème s'organise autour de la reconnaissance de formes via des méthodes basées graphes, réseaux de neurones ou chaînes, l'apprentissage de métriques, les descripteurs et l'apprentissage pour l'image, et l'ingénierie des connaissances pour la conception d'applications en image. L'équipe est composée de membres d'origines variées (informatique, traitement du signal, mathématiques appliquées, intelligence artificielle). Cette variété de compétences constitue l'un des points forts de l'équipe car elle lui permet d'aborder le traitement, l'analyse des images, vidéos ou encore des données discrètes selon plusieurs points de vue ou paradigmes de modélisation complémentaires.

On en parle sur Twitter !