Stage - Détecteurs incertains en monde ouvert par Deep Learning

Magellium (Groupe Artal), avec ses 300 collaborateurs, est un acteur indépendant, spécialiste sur la chaîne de valorisation du pixel et de la donnée image et vidéo (du capteur satellite, aéroporté ou drone jusqu’à son utilisation dans les systèmes d’information géographique, la cartographie et la Géointelligence).

Magellium promeut la maîtrise des technologies du logiciel, de l’IA, du traitement d’image et de la géomatique.

Son unité Imagerie et Applications développe des systèmes de vision et de traitement de données dans les domaines de la robotique spatiale, de la défense et de l’industrie. Nos clients sont les principaux acteurs industriels et institutionnels de ces secteurs.

Depuis plus de 5 ans, Magellium travaille activement au développement de solutions innovantes dans le domaine du deep learning pour la vision par ordinateur à travers une vision pragmatique de la technologie : autant consciente de ses limites que de ses réussites.

Ce positionnement — à rebours des grandes tendances du secteur — motive aujourd’hui la recherche de méthodes dites « sobres » à même de paver la route vers une utilisation responsable de l’intelligence artificielle.

En effet, si le deep learning représente l'état de l'art en détection d’objets, ce dernier souffre de verrous techniques (quantité de données nécessaires, adhérence au domaine...) qui freinent son adoption dans des contextes industriels et critiques.

Durant ce stage, vous aurez pour objectif :

• Le développement d’un détecteur d’objet capable d’estimer son niveau d’incertitudes épistémiques et aléatoriques par apprentissage évidentiel [1].

• La qualification des incertitudes prédites par comparaison avec des méthodes concurrentes comme celles basées sur le deep learning bayesien [2].

• Son application dans un contexte de détection en « monde ouvert » [3].

[1]            M. R. Nallapareddy, K. Sirohi, P. L. J. Drews-Jr, W. Burgard, C.-H. Cheng, and A. Valada, “EvCenterNet: Uncertainty Estimation for Object Detection using Evidential Learning,” arXiv pre-print, Mar. 2023, doi: 10.48550/arxiv.2303.03037.

[2]            A. Kendall and Y. Gal, “What uncertainties do we need in Bayesian deep learning for computer vision?,” in Advances in Neural Information Processing Systems, 2017, vol. 2017-Decem, pp. 5575–5585.

[3]            A. R. Dhamija, M. Gunther, J. Ventura, and T. E. Boult, “The overlooked elephant of object detection: Open set,” in Proceedings - 2020 IEEE Winter Conference on Applications of Computer Vision, WACV 2020, 2020, pp. 1010–1019, doi: 10.1109/WACV45572.2020.9093355.

Etudiant(e) en cursus universitaire ou en Ecole d’ingénieurs préparant un diplôme de niveau Bac+5, ou un Mastère spécialisé, vous disposez d’une bonne maîtrise des mathématiques (probabilités, optimisation bayésienne et analytique) et de l’apprentissage machine.

Des connaissances en Deep Learning (PyTorch, Tensorflow) sont un plus. Vous êtes curieux (se) et vous aimez les défis.

Rigueur, autonomie, sens de l’initiative et assiduité sont d’autres compétences qui vous permettront de réaliser avec succès ce stage.