Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : CRIStAL UMR 9189, Lille
Durée : 6 mois
Contact : pierre.chainais@centralelille.fr
Date limite de publication : 2022-09-15

Contexte :
Centre de Recherche en Informatique, Signal et Automatique de Lille (UMR 9189 CRIStAL), Villeneuve d’Ascq, France.

Dates: Starting date between March and April 2022, 4 to 6 months internship.

Pierre-Antoine THOUVENIN (pierre-antoine.thouvenin@centralelille.fr), € https://pthouvenin.github.io/
Pierre CHAINAIS (pierre.chainais@centralelille.fr),
€ pierre.chainais@centralelille.fr

The intern will be jointly supervised by Pierre Chainais, professor at Centrale Lille, and Pierre-Antoine Thouvenin, assitant professor at Centrale Lille. The internship will take place in the Centre de Recherche en Informatique, Signal et Automatique de Lille (CRIStAL, UMR 9189), France, within the SigMA team.
This project is part of the ANR Chaire IA SHERLOCK (Fast inference with controlled uncertainty: application to astrophysical observations) led by Pierre Chainais (co-funded by Agence Nationale de la Recherche (ANR), ISITE, Centrale Lille Institut and Région Haut-de-France). Participation to a national or international workshop is considered.
Period and continuation in PhD
This 4 to 6-months internship will start between March and April 2022. The precise start and end dates will be adjusted depending on the availability of the candidate. The intern will be granted the usual stipend of ∼ 600 euros/month (3,90 euros/hour).
This M.Sc. project may be continued as a PhD thesis, for which a grant is already secured for the period 2022-2025 thanks to the ANR Chaire IA SHERLOCK.

Keywords. Bayesian inference, continuous optimization, distributed asynchronous algorithms, MCMC methods.

Sujet :
Bayesian inference is a usual approach to estimate parameters from a dataset, a typical setting underlying the resolution of inverse problems. An inverse problem consists in estimating a collection of parameters involved in a physical model from degraded and noisy observations, e.g., reconstucting an image from noisy incomplete observations of the sky in radio- astronomy. In many signal and image processing applications, especially in astronomy (Abdulaziz et al. 2019; Cai et al. 2018) and remote sensing (Ghamisi et al. 2019), no ground truth is available. Fast parameter inference under controlled uncertainty is thus critical to guarantee the quality of the resulting predictions. Indeed, different values of a parameter can be associated to different physical processes, for instance in remote sensing source separation in presence of outliers.
Inference cost can be large, and increases significantly with both the number of observations (large dataset) and param- eters to be inferred (high dimensional problem). Typical signal and image processing applications lead to the resolution of high-dimensional inverse problems, relying on large datasets. Asynchronous (parallel or distributed) optimization al- gorithms have recently regained interest due to their potential of acceleration to form an estimator, in comparison with their synchronous counterparts (Hannah et al. 2017).
The project is aimed at investigating the potential of asynchrony to accelerate distributed optimization algorithms amenable to a Single Program Multiple Data (SPMD) implementation. We will study several aspects, such as the algo- rithm convergence, the resulting estimation quality and inference time. Applications to the resolution of inverse problems in remote sensing or astronomy will be considered.
Depending on the evolution of the project, the study will be extended to a few selected Markov-chain Monte Carlo (MCMC) methods (Durmus et al. 2018; Simsekli et al. 2018; Terenin et al. 2020) to provide estimators with quantified uncertainty, beyond the point estimate provided by optimization algorithms.
This M.Sc. project may be continued as a PhD thesis, for which a grant is already secured for the period 2022-2025 thanks to the ANR Chaire IA SHERLOCK.

Profil du candidat :
Master 2 or last year engineering school students with major in applied mathematics, computer science or electrical engineering. The project requires a strong background in data science and/or machine learning (statistics, optimization), signal & image processing. Very good Python coding skills are expected.

Application procedure
Applicants are invited to send the following documents in .pdf format to both co-advisors:
• a detailed curriculum;
• official transcripts from the institutions you have attended over the last 2 years (in French or in English);
• references: letters of recommendation or names of two researchers/professors willing to recommend your applica- tion.
For further information, please contact both co-advisors of the project:
• Pierre-Antoine Thouvenin, pierre-antoine.thouvenin@centralelille.fr • Pierre Chainais, pierre.chainais@centralelille.fr.

Formation et compétences requises :
A B2 English level is mandatory.
Knowledge in C++ programming, as well as experience or interest in parallel/distributed code development (MPI, OpenMP, CUDA, …) will be appreciated.

Adresse d’emploi :
CRIStAL, Cité Scientifique, 59651 Villeneuve d’Ascq Cedex

Document attaché : 202201242012_msc_proposal_2022_CRIStAL.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : ImViA
Durée : 6 months
Contact : yannick.benezeth@u-bourgogne.fr
Date limite de publication : 2022-11-24

Contexte :
Titre : Driver scene monitoring / analyse de l’environnement de conducteur
Laboratoire ImViA (Univ. Bourgogne)
Location: Dijon France
Supervisor:
Yannick Benezeth – yannick.benezeth@u-bourgogne.fr – https://sites.google.com/view/ybenezeth
Cédric Demonceaux (cedric.demonceaux@u-bourgogne.fr) https://sites.google.com/view/cedricdemonceaux/home
Houda Rafi (houda.rafi@renault.com)
Keywords: Image and signal analysis, deep learning, scene understanding
If you are interested, send CV and motivation letter to yannick.benezeth@u-bourgogne.fr, cedric.demonceaux@u-bourgogne.fr and houda.rafi@renault.com.

Sujet :
(english below)
Le domaine des systèmes d’aide à la conduite s’intéresse de plus en plus à la manière dont l’environnement de conduite affecte l’état émotionnel du conducteur. Alors que certaines études de cas spécifiques montrent une corrélation entre le stress des conducteurs et l’environnement de la voiture, comme les types de routes (ville, autoroute et parking) [1, 2, 3] et les conditions de circulation [4], d’autres recherches ont exploré plus en profondeur la possibilité d’estimer directement le stress ressenti des conducteurs à partir des informations trouvées dans la scène entourant la voiture [5]. L’identification et l’analyse des objets de la scène visuelle et de leur emplacement sont essentielles pour comprendre comment la scène routière affecte le stress du conducteur. Pour atteindre cet objectif, diverses architectures de segmentation sémantique doivent être exploitées afin de surmonter les multiples problèmes qui peuvent survenir lors de l’identification d’objets dans différentes scènes enregistrées dans différents environnements. Les architectures de segmentation sémantique les plus récentes sont SFNet-R18 [6] , PSPNet-101 [7], HRNetV2 + OCR + [8] etc…
L’objectif de ce projet est de rechercher différentes architectures de segmentation sémantique, d’évaluer leur efficacité et d’utiliser les résultats de la segmentation pour déduire et estimer le stress perçu par le conducteur.
Le projet s’inscrit dans le cadre d’une collaboration avec la société Renault. Les travaux seront menés au sein du laboratoire ImViA sur le campus de Dijon.

*******************
The field of driver-assistance systems is increasingly interested in determining how the driving environment affects the driver’s emotional state. While some specific case studies show a correlation between the drivers’ stress and the car environment like the types of roads (e.g. city, highway, and parking) [1, 2, 3] and traffic circumstances [4], other research explored more in-depth the possibility of estimating directly the drivers’ subjective stress from the information found in the scene surrounding the car [5]. Identification and analysis of the objects in the visual scene and their locations are crucial to understanding how the road scene affects the driver’s stress. For this goal, various architectures of semantic segmentation should be exploited to upsample multiple issues that can occur while identifying objects in different scenes recorded in different environments. Some up-to-date semantic segmentation architectures are SFNet-R18 [6] , PSPNet-101 [7], HRNetV2 + OCR + [8] etc… This project’s objective is to research various semantic segmentation architectures, assess their effectiveness, and use the segmentation result to infer and estimate the perceived stress of the driver.
The project is part of a collaboration with the Renault company. The work will be carried out within the ImViA lab on the Dijon campus.

********************
[1] O. V. Bitkina et al. “Identifying traffic context using driving stress: A longitudinal preliminary case study,” Sensors, 2019.
[2] J. A. Healey and R. W. Picard, “Detecting stress during real-world driving tasks using physiological sensors,” IEEE Trans. on Intelligent Transportation Systems, vol. 6, no. 2, pp. 156–166, 2005.
[3] N. Elhaouij, J.-M. Poggi, S. Sevestre-Ghalila, R. Ghozi, and M. Ja¨ıdane, “AffectiveROAD system and database to assess driver’s attention,” in Proc. of the 33rd Annual ACM Symposium on Applied Computing, 2018, pp. 800–803.
[4] W.-Y. Chung, T.-W. Chong, and B.-G. Lee, “Methods to detect and reduce driver stress: a review,” Int. Journal of Automotive Technology, vol. 20, no. 5, pp. 1051–1063, 2019
[5] Bustos, Cristina, et al. “Predicting driver self-reported stress by analyzing the road scene.” 2021 9th International Conference on Affective Computing and Intelligent Interaction (ACII). IEEE, 2021.
[6] LI, Xiangtai, YOU, Ansheng, ZHU, Zhen, et al. Semantic flow for fast and accurate scene parsing. In : European Conference on Computer Vision. Springer, Cham, 2020. p. 775-793.
[7] ZHAO, Hengshuang, SHI, Jianping, QI, Xiaojuan, et al. Pyramid scene parsing network. In : Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. p. 2881-2890.
[8] YUAN, Yuhui, CHEN, Xiaokang, CHEN, Xilin, et al. Segmentation transformer: Object-contextual representations for semantic segmentation. arXiv preprint arXiv:1909.11065, 2019.

Profil du candidat :
The recruited student should have strong computer science background, applied mathematics or programming.

Formation et compétences requises :
computer science

Adresse d’emploi :
Dijon

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : DISP, Université Lyon 2
Durée : 6 mois
Contact : giacomo.kahn@univ-lyon2.fr
Date limite de publication : 2022-11-30

Contexte :
Des études menées au sein de plusieurs industries montrent que les éditeurs de logiciels ont tendance à produire des variantes de systèmes logiciels en réutilisant de manière ad-hoc des clones de projets précédents, aboutissant ainsi à des familles de logiciels similaires où chaque produit est géré et maintenu séparément. L’ingénierie des lignes de produits logiciels regroupe un ensemble de méthodes basées sur la réutilisation systématique d’artefacts logiciels afin de développer, maintenir et faire évoluer en parallèle un ensemble de variantes d’une même famille de logiciels. Cela permet de réduire le temps et le coût de développement et de maintenance de la famille de logiciels tout en augmentant sa qualité. La migration depuis une famille de produits logiciels vers une ligne de produits est donc une problématique essentielle partagée par de nombreux éditeurs de logiciels. La modélisation et la gestion de la variabilité, i.e., quels artefacts varient entre les variantes logicielles et comment, est un point central de ces méthodes.

Sujet :
L’ingénierie des lignes de produits multiples est un domaine émergeant qui se consacre à la représentation et la gestion de la variabilité dans des familles de logiciels qui sont considérés comme complexes du fait de leur hétérogénéité, de leur taille ou encore de leur architecture. Cette complexité donne lieu à des données pouvant inclure de multiples dimensions (e.g., caractéristiques logicielles, contexte et environnement, équipe de développement, dépendances avec d’autres systèmes) ce qui présente un réel défi lorsque l’on cherche à les analyser avec les techniques actuelles. La migration depuis une famille de logiciels complexes vers une ligne de produits multiples nécessite donc de reconsidérer et d’adapter les techniques traditionnelles de rétro-ingénierie de la variabilité afin de manipuler des données plus complexes.

L’objectif de ce stage est d’utiliser une extension de l’analyse formelle de concepts, l’analyse polyadique (PCA), qui permet d’extraire des motifs et des informations de données multi-dimensionnelles, afin d’extraire la variabilité d’un ensemble de familles de logiciels complexes.

Profil du candidat :
Master 2 informatique, avec des penchants pour le génie logiciel et les approches de représentation et d’extraction de connaissance.

Formation et compétences requises :
Ingénierie logicielle, représentation des connaissances

Adresse d’emploi :
Laboratoire Disp, pôle RTI, Université Lyon 2

Document attaché : 202210280931_23PropPCADISP_Fiche-appel-à-candidature.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Disp
Durée : 6 mois
Contact : giacomo.kahn@univ-lyon2.fr
Date limite de publication : 2022-11-30

Contexte :
Le projet Européen Erasmus+ DigiHealth-Asia a pour objectif le renforcement des capacités de formation en santé numérique d’universités provenant de trois pays asiatiques : la Mongolie, le Pakistan, et la Thaïlande. Des problématiques spécifiques ont été identifiées dans chacun des pays partenaires. La Mongolie est un pays particulièrement étendu, et dont les services de santé sont concentrés dans un unique pôle urbain, qui concentre 45% de la population du pays. Dans le cadre du projet DigiHealth, nous développons en partenariat avec deux universités mongoles un système de consultation à distance assisté par des modèles d’intelligence artificielle, pour le cas de la santé dentaire.

Sujet :
Ce stage s’appuie sur des données de terrain réelles. L’objectif de ce stage est de récupérer ces données, les nettoyer, prétraiter, traiter et analyser, dans le but de déployer les modèles d’apprentissage automatique dans l’architecture proposée par nos partenaires mongoles. Pour se faire, un déplacement en Mongolie est prévu lors du stage, pour rencontrer les partenaires (côté recherche et professionnels de santé) et préparer le déploiement. Pour cette raison, il faut impérativement un niveau d’anglais suffisant.

Profil du candidat :
Master ou ingénieur en informatique

Formation et compétences requises :
Anglais obligatoire (déplacement en Mongolie),
Apprentissage automatique,
Santé numérique

Adresse d’emploi :
Laboartoire DISP, RTI, Université Lyon 2

Document attaché : 202210280926_PC3DISP_Fiche appel à candidature_20191119.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : ICube, University of Strasbourg
Durée : 6 mois
Contact : lampert@unistra.fr
Date limite de publication : 2022-12-12

Contexte :
Time-series are becoming prevalent in many fields, particularly when monitoring environmental changes of the Earth’s surface in the long term (climate change, urbanisation, etc), medium term (annual crop cycle, etc) or short term (earthquakes, floods, etc). With the current and future satellite constellations satellite image time-series (SITS) expand remote sensing’s impact.

Sujet :
Detailed subject: https://seafile.unistra.fr/f/7b4b402e34124fb396b7/?dl=1

The project’s goal is to develop domain invariant representations using deep learning for SITS analysis. Such methods will enable geographic generalisation, which consists of reusing information from the analysis of one geographic area to analyse others by using, or not, the same sensors, as proposed in [5]. Current approaches work for single images because they generally originate from the computer vision community.

The internship will start the evaluation of the state-of-the-art and to implement and extend approaches already developed in ICube [5,6].
Current work on domain adaptation (DA) for time-series uses either weak supervision [1] or attention-based mechanisms [2,3] for classification or focus on the related problem of time- series forecasting [4]. However, none of these approaches tackle the problem of learning DIRs that can be applied to several geographical locations simultaneously.

The work has two benefits: on the one hand, to reduce the burden of ground truth collection when sensors of different characteristics are used; and on the other to exploit the information contained in each data modality to learn representations that are more robust and general, i.e. to detect crops, land cover evolution, etc in different countries that exhibit different characteristics.

Your contributions will be part of the global work of the SDC researchers and will be validated through the partnership with CNES and potential collaboration with Tour du Valat. SDC’s aim is to propose and implement new generic methods and tools to exploit large sets of reference data from one domain/modality (sufficient to train an accurate detector) to train a multi- modal/domain detector that can be applied to imagery taken from another sensor for which there exists no reference data.

As such, the work tackles key problems in many machine learning & computer vision applications.

Profil du candidat :
• Experience with the Python (numpy, keras, tensorflow, etc.)
• Interest/experience in deep learning
• Knowledge of machine learning workflows and techniques (e.g. best practices around
training data management, understand basics of numerical optimisation)
• Familiarity with Linux environments
• Have excellent communication skills and a strong team player
• Good knowledge of English (French is not mandatory)

Formation et compétences requises :
2nd year of a Master’s in Computer Science degree or similar

Adresse d’emploi :
ICube UMR 7357 – Laboratoire des sciences de l’ingénieur, de l’informatique et de l’imagerie
300 bd Sébastien Brant – CS 10413 – F-67412 Illkirch Cedex

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : CIRAD – UR AIDA et UMR TETIS – #DigitAg
Durée : 6 mois
Contact : sandrine.auzoux@cirad.fr
Date limite de publication : 2022-12-15

Contexte :
Les études agro-écologiques génèrent de nombreuses bases de données hétérogènes en termes de structure et de contenu, qui sont difficilement exploitables et nécessitent une curation pour être mobilisées dans des approches statistiques ou de modélisation. La curation consiste à sélectionner les données les plus pertinentes et les enrichir de métadonnées nécessaires à leur compréhension pour pouvoir les rendre accessibles, partageables et réutilisables (principes FAIR).
Pour annoter les données et augmenter la précision des termes utilisés, un collectif interdisciplinaire de chercheurs du CIRAD a construit un dictionnaire des variables (Auzoux et al, 2018). Une variable est constituée de termes sémantiques issus des connaissances expertes et d’ontologies de référence. La liste des variables du dictionnaire a été définie pour faciliter la comparaison et l’analyse des données, et les liens avec les modèles de culture.

Un premier travail exploratoire sur la curation de bases de données en agroécologie, constituées à partir de 28 expérimentations sur la canne à sucre à La Réunion, a été réalisé lors d’un stage de Master 2 (Ngaba, 2022). Il a permis de tester et de valider une approche de fouille de textes pour automatiser la normalisation des variables créées et utilisées par les chercheur.e.s pour décrire leurs données.

Sujet :
L’objectif de ce stage est d’automatiser la labellisation des variables hétérogènes des chercheur.e.s issues des bases de données en agroécologie à partir d’une liste de variables standardisées (dictionnaire des variables). Plusieurs méthodes de fouille de texte seront mobilisées pour proposer les variables du dictionnaire les plus en phase avec les variables des bases de données :
– des mesures de proximité lexicale (Maedche et al., 2002),
– des méthodes de proximités contextuelles (Salton et al., 1988) fondées sur la description des variables issues des bases de données,
– des méthodes de proximités contextuelles fondées sur des corpus : des contextes seront constitués à partir de corpus textuels et de méthodes de plongements de mots (Mikolov et al., 2013) et de modèles de langues issus des méthodes d’apprentissage profond (Devlin et al., 2019).

Au-delà d’une extension de la méthode en proposant des méthodes originales de fouille de texte, un objectif important de ce stage consiste à proposer une approche générique pour labelliser les données et faciliter l’interopérabilité des bases de données en agroécologie.

Ce stage se déroulera en 3 grande étapes :
– Etape 1 : Appropriation des données et codes
– Etape 2 : Préparation de nouveaux jeux de données pour étudier la généricité de l’approche
– Etape 3 : Extension de l’approche de mise en lien de variable

Dans le cadre d’une démarche science ouverte, les codes sources et les données seront mises à dispositions sur la forge logicielle et le Dataverse du CIRAD. Les résultats de ce stage pourront donner lieu à deux publications scientifiques (Data paper et article scientifique).

Profil du candidat :
Le profil que nous recherchons, est un informaticien (Master 2 ou école d’ingénieur) ayant une formation en science des données ayant une maitrise des bases de données, des méthodes de fouille de texte et d’analyse de données. Une ouverture sur l’interdisciplinarité est indispensable pour pouvoir dialoguer avec les experts métiers.

Formation et compétences requises :
SGBD PostgreSQL, R studio, Python

Adresse d’emploi :
– Accueil à l’UMR TETIS à la Maison De la Télédétection sur le campus Agropolis de Montpellier
– Encadrement : 2 unités de recherche de #DigitAg (UR Aïda et UMR TETIS) sont impliquées dans cet encadrement. Le stagiaire évoluera dans une équipe pluridisciplinaire composée de deux informaticiens (Sandrine Auzoux et Mathieu Roche), un biostatisticien (Benjamin
Heuclin), et deux agronomes (Aude Ripoche et Mathias Christina).
– Période de stage : de février/mars à juillet/août 2023 (6 mois)
– Rémunération : indemnité au tarif en vigueur : 600 euros/mois x 6 mois = 3600 € + tickets restaurant
– 1 mission sera réalisée à La Réunion en milieu de stage pour présenter les premiers résultats et pour discuter plus en détail avec les encadrants et les partenaires réunionnais de la généricité de l’approche.

Document attaché : 202211181636_Stage_Digitag_TextMining.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Centre National de Recherche Météorologique (CNRM)
Durée : 6 mois
Contact : laure.raynaud@meteo.fr
Date limite de publication : 2022-12-15

Contexte :
Les prévisions météorologiques de fine échelle opérées quotidiennement par Météo-France sur les domaines Outre-Mer s’appuient sur le modèle AROME et ont vu leur résolution spatiale augmenter de 2.5km à 1.3km à l’été 2022. Cette évolution a permis d’améliorer la performance des prévisions, en particulier pour les évènements à enjeux tels que les cyclones tropicaux et les fortes pluies. Des résolutions hectométriques permettraient de gagner encore en réalisme, en particulier sur l’île de la Réunion dont le relief est complexe. Néanmoins, le coût des prévisions AROME à des résolutions de quelques centaines de mètres ne permet pas d’envisager leur utilisation opérationnelle avant plusieurs années. L’objectif du stage est de mettre en place et d’évaluer une alternative moins coûteuse à cette descente d’échelle dynamique.

Sujet :
Le stage vise à mettre en place et évaluer plusieurs méthodes de descente d’échelle statistique, dont l’objectif est d’apprendre une relation statistique entre les prévisions basse résolution (par exemple 2.5km ou 1.3km) et les prévisions haute résolution (par exemple 500m). Les méthodes de descente d’échelle les plus classiques reposent sur des interpolations simples ou des approches de régression linéaire. Récemment, plusieurs études ont montré que des méthodes d’apprentissage profond tels que les réseaux de neurones convolutifs offrent des perspectives intéressantes pour la descente d’échelle.
L’objectif du travail proposé est de développer une première descente d’échelle à 500m des prévisions AROME sur la Réunion, par apprentissage profond, et pour des variables de temps sensible telles que la température, le vent et les précipitations.

Profil du candidat :
M2/Ecole d’ingénieurs.

Formation et compétences requises :
Le stage requiert un réel intérêt pour la prévision numérique du temps. De bonnes compétences en statistiques sont attendues. Le langage de programmation utilisé sera Python. Une connaissance préalable du fonctionnement des réseaux de neurones profonds (en particulier des réseaux convolutifs) est souhaitée. Une première expérience d’une bibliothèque de Deep Learning (PyTorch, Keras, TensorFlow, Caffe, …) serait un plus.

Adresse d’emploi :
CNRM, 42 avenue Gaspard Coriolis, Toulouse.

Document attaché : 202210061430_Fiche-proposition-PFE_IENM_IA500m_Madics.pdf

Offre en lien avec l’Action/le Réseau : RoCED/– — –

Laboratoire/Entreprise : Exploitation de données spatio-temporelles multimo
Durée : 6 mois
Contact : alain.bouju@univ-lr.fr
Date limite de publication : 2022-12-16

Contexte :
Ce travail s’inscrit dans le programme PLAIZPARC (Plaisance et zostère dans le Parc naturel marin de l’estuaire de la Gironde et de la mer des Pertuis) porté par le Parc naturel marin de l’estuaire de la Gironde et de la mer des Pertuis (PNMEGMP) qui vise à réduire la pression des mouillages des navires de plaisance sur les herbiers de zostère dans le Parc.

Dans ce projet, l’action 2.2 vise à obtenir une meilleure connaissance des dynamiques spatio-temporelles des pratiques de plaisance. Pour cela, le projet « Développement d’un système automatisé d’évaluation des fréquentations de plaisance à partir de données multimodales (2021-2023) » a été lancé en novembre 2021 et regroupe le PNM EGMP, La Rochelle Université (LRU) et la société IKOMIA. Il

Il vise à mettre au point de nouvelles solutions basée sur les technologies de machine learning et de fouille de données, pour l’évaluation des fréquentations des ports et des zones de mouillage à partir de données multimodales issues d’images vidéo et de données de suivi des embarcations de plaisance.

Ce projet est organisé en quatre volets :
• Volet A : Le portage du système de comptage vers Ikomia Studio ;
• Volet B : le développement d’un système de comptage spécifique aux zones de mouillages ;
• Volet C : Le traitement des données multimodales recueillies par croisements ;
• Volet D : L’amélioration des algorithmes de détection d’embarcations.

Ce stage s’inscrit dans le volet C de ce projet.

Sujet :
Objectif du stage proposé :

– Etat de l’art sur la thématique des croisements de données multimodales pour la spatialisation des activités (Méthodologie et sources fournies)
– Intégration données multimodales de comptages (issue des traitements IA, AIS, GPS, données d’enquêtes, etc. (Outils d’analyse et agrégation, base de données)
– Création outils informatiques intégrables à QGIS permettant de produire des analyses spatiales et cartographiques (Python)

Profil du candidat :
Les mots clefs du profil sont :
Fouille de données, Machine Learning, Ontologie, Acquisition, agrégation, traitement et analyse de données, géospatiale,

Les technologies :
Python, Base de données géospatiale (PostgreSQL,/PostGIS), QGIS, RDF,

Formation et compétences requises :
Formation en Master 2 Informatique en cours (Stage de fin d’étude)

Adresse d’emploi :
Laboratoire Informatique, Images et Interaction (L3i)-La Rochelle Université, Faculté des Sciences et Technologies, Bâtiment Pascal – Avenue Michel Crépeau, 17042 La Rochelle Cedex 1.

Document attaché : 202212081530_Offre de stage de master 2_informatique_AB2023.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : TETIS
Durée : 6 mois
Contact : maguelonne.teisseire@teledetection.fr
Date limite de publication : 2022-12-19

Contexte :
Au sein du laboratoire TETIS à Montpellier, un modèle de simulation des cultures (SARRA, Baron et al,, 2005) a été proposé depuis plusieurs années. Il permet, sur la base d’un bilan hydrique dynamique simple, d’estimer l’impact de scénarios climatiques sur une culture annuelle. Sa déclinaison logicielle SARRA-H est spécifiquement adaptée à l’analyse d’impact du climat sur la croissance des céréales sèches (mil, sorgho, maïs, riz) et du rendement potentiel en milieu tropical. La version la plus récente de SARRA, SARRA-O (http://sarra-h-dev.teledetection.fr), introduit la possibilité de spatialiser les simulations de culture selon le principe de modèle de simulation de cultures en grille (gridded crop model, GCM). La littérature présente également des GCM adaptés d’autres plateformes de simulation de cultures (DSSAT, WOFOST, STICS…).
L’objectif de ce stage est de réaliser une comparaison des formalismes et des performances de SARRA-O avec des GCM alternatifs, en prenant comme cas d’étude le riz pluvial en Afrique de l’Ouest. Le riz est la culture vivrière la plus importante au monde, et on estime qu’il constitue l’aliment de base de la moitié de l’humanité. Les pays d’Afrique de l’Ouest sont fortement dépendants du riz pour leurs calories alimentaires. Cependant, une gestion inadéquate de l’eau, des sols et des cultures y compromet toujours la productivité du paddy. La production rizicole y est également menacée par la variabilité des précipitations annuelles, les fluctuations dans les dates de démarrage de saison, et l’augmentation de l’aridité. L’utilisation de GCM dans ce contexte répond donc à des enjeux liés notamment à la sécurité alimentaire.

Sujet :
L’objectif de ce stage est de positionner la suite SARRA-O par rapport à ses concurrents nationaux ou internationaux, en utilisant le riz pluvial comme cas d’étude. Cette comparaison suivra une grille d’évaluation à définir en adéquation avec les standards académiques. De façon plus précise, le travail à réaliser se décompose de la façon suivante :
1. Une familiarisation des différents concepts liés au modèle SARRA-O ;
2. Un état de l’art permettant de lister les modèles similaires à SARRA-O ou partageant les mêmes objectifs d’estimation de rendements ;
3. La définition d’une grille de comparaison des modèles selon principalement les données en entrée (incluant les différents paramètres et la calibration nécessaire selon le type de culture), la méthode adoptée, les données en sortie ;
4. La sélection avec l’équipe encadrante de 2 à 3 modèles alternatifs à SARRA-O ainsi que des mesures d’évaluation adaptées aux modèles choisis ;
5. La réalisation de simulations à partir des modèles sélectionnées, et leur évaluation face à des données observées sur le riz pluvial en Afrique de l’Ouest.

Le cas d’étude s’inscrit dans le cadre de travaux de TETIS sur l’impact du changement climatique sur le rendement du riz en Afrique de l’Ouest. Le/la stagiaire bénéficiera de l’aide d’un autre étudiant qui travaillera sur la calibration du modèle SARRA-O pour le cas du riz pluvial à partir d’un ensemble de données expérimentales d’Afrique de l’Ouest (Sénégal, Côte d’Ivoire) et de Madagascar.

Bibliographie :

Baron, C., Sultan, B., Balme, M., Sarr, B., Traore, S., Lebel, T., Janicot, S., & Dingkuhn, M. (2005). From GCM grid cell to agricultural plot: scale issues affecting modelling of climate impact. Philosophical Transactions of the Royal Society B: Biological Sciences, 360(1463), 2095–2108. https://doi.org/10.1098/rstb.2005.1741

Profil du candidat :
Dernière année Ingénieur agro ou Master 2 ou (stage de césure ou de fin d’études)

Formation et compétences requises :
Le stage exige des connaissances de base en agronomie, une bonne maîtrise du langage de programmation Python (+ librairies Pandas et Numpy), une aisance à la manipulation de fichiers et de l’appétence pour les approches de modélisation.
Une bonne maîtrise écrite de l’anglais (lu) est indispensable.

Adresse d’emploi :
UMR TETIS (Territoires, Environnement, Télédétection et Information Spatiale)
Maison de la Télédetection
500, rue J.F.Breton 34093 MONTPELLIER Cedex 5

Document attaché : 202211071542_Offre de stage état des lieux modélisation.pdf

Offre en lien avec l’Action/le Réseau : BigData4Astro/– — –

Laboratoire/Entreprise : Institut d’Astrophysique de Paris
Durée : 3 à 6 mois
Contact : florent.leclercq@iap.fr
Date limite de publication : 2022-12-26

Contexte :
Surveys of the cosmic large-scale structure carry rich scientific opportunities. Advancing the research frontier requires solving unique and challenging statistical problems, to unlock the information content of massive and complex data vectors. The recently-proposed machine learning technique BOLFI (Bayesian optimisation for likelihood-free inference) makes inference of complex Bayesian hierarchical models under the constraint of a very limited simulation budget possible. Unfortunately, its use is currently hampered by several theoretical and practical challenges.

Sujet :
The goal of this interdisciplinary project is to upgrade the BOLFI algorithm for the extraction of information distributed in massive and heterogeneous data, in the context of expensive and imperfect data models. Motivating problems and applications will come from upcoming galaxy survey data such as Euclid. We will address several issues, including: (i) the parallel acquisition of simulations when only a limited number of noisy likelihood evaluations can be obtained, (ii) the robustification of the technique against model mis-specification, (iii) the definition of summary statistics that maximise the extraction of information, e.g. via information-maximising neural networks (IMNN). The proposed algorithm will be applied to the inference of cosmological parameters using a realistic simulator. Ultimately, the developed method will be an important tool for the extraction of physical information from Euclid data, which has the potential to influence the design of future data analysis pipelines.

Related links and literature / Version française : https://florent-leclercq.eu/supervision.php#internship-2023-info

Profil du candidat :
The student will get experience of statistical modelling, machine learning, data mining, cosmology, and astronomical observations. They should be comfortable with computing (preferably, experience with python and git). This work could naturally lead to a PhD project in data science and/or cosmology, for example in the large-scale structure and distant Universe group of the Institut d’Astrophysique de Paris (IAP).

Formation et compétences requises :
Interest in information science, machine learning, data science, and a taste for (astro)physics.

Adresse d’emploi :
Institut d’Astrophysique de Paris, 98 bis boulevard Arago, 75014 Paris, France

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : IFP Energies nouvelles, Lyon
Durée : 3-4 months
Contact : laurent.duval@ifpen.fr
Date limite de publication : 2022-12-26

Contexte :
Le génie des procédés est un domaine d’ingénierie, qui s’intéresse à l’application de la chimie physique dans l’industrie avec pour but principal de transformer de la matière. Il vise à concevoir et gérer le fonctionnement d’un procédé à différentes transformations chimiques et physiques. Ce domaine s’appuie sur l’analyse régulière de différents capteurs, paramètres et quantités physiques (température, pression, concentration, etc.), permettant d’optimiser les points de fonctionnement et la qualité des produits en fonction des matières sources. Être capable de bâtir des modèles statistiques prédictifs ou explicatifs, liant les données mesurées ou calculées aux propriétés souhaitées, devient donc un enjeu important en termes d’efficacité des procédés. Depuis plusieurs années se développent des approches combinant connaissances métiers et méthodes de science des données pour améliorer la performance et la robustesse des modèles ; les défis sont nombreux : disponibilités des données, incertitudes, validité des modèles physiques, capacité des modèles off-line expérimentaux à fonctionner en conditions industrielles réelles on-line, etc. Ce sujet s’intéresse essentiellement à ce dernier aspect. En effet, les données industrielles ne disposent bien souvent que de mesures acquises à une fréquence assez lente, sans maîtrise entière du moment exact de l’acquisition, tandis que les données expérimentales produites sur unités pilotes peuvent être obtenues toutes les minutes, avec une bonne précision temporelle.

Sujet :
La ou le stagiaire sera affecté(e) au sein de la direction Expérimentation Procédés et travaillera en étroite collaboration avec la direction Sciences et Technologies du Numérique. La ou le stagiaire devra analyser les données sur un procédé identifié dans la continuité d’un stage de 2021 et devra étudier l’impact de l’échantillonnage sur la fiabilité et la robustesse de modèles d’imputation et de prédiction développés. Le coeur du travail consistera en la mise en place d’un workflow permettant de réduire la fréquence d’acquisition initiale de données pilotes pour l’approcher des mesures industrielles et de mesurer précisément la perte d’efficacité et les incertitudes induites, et à adapter les modèles en conséquence. Il est également attendu de pouvoir donner des préconisations de « bon échantillonnage » en fonction des dépendances temporelles entre les différentes variables mesurées.

Information: http://www.laurent-duval.eu/job-2022-internship-process-engineering-data-science-ifpen-sampling-robustness.html

Profil du candidat :
Ce sujet étant à l’interface de deux domaines, il s’adresse soit à des étudiants M1 ou M2 en sciences du numérique ayant un sens physique développé ou à des étudiants M1 ou M2 en génie des procédés ayant une appétence pour le machine-learning et la programmation.

Formation et compétences requises :
Statistiques, apprentissage, traitement de séries temporelles, génie des procédés

Adresse d’emploi :
France, IFP Energies nouvelles, Lyon (Solaize)

Document attaché : 202202052239_job-2022-internship-ifpen-machine-learning-robustness-process-sampling-english.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : IFREMER Brest
Durée : 16 months
Contact : laurent.duval@ifpen.fr
Date limite de publication : 2022-12-26

Contexte :
Marine seismology has made tremendous technological advances in the past decades: data recorded at the seafloor by ocean bottom seismometers (OBSs) are becoming widely available (eg IRIS consortium). An OBS is a multicomponent instrument able to continuously record pressure and earth motion. There are two types of OBSs: short-period instruments for recording high-frequency motions, and long-period instruments for acquiring a wider range of motions (cf. INSU-IPGP national OBS facility). With both instruments, OBSs record a superposition of a broad variety of signals generated by solid earth, ocean wave, biologic, ship sources and noise. These signals can be very different in amplitude, duration and frequency content. They however also overlap in those domains, making them hard to isolate from each other. That is why OBS data cannot yet be fully exploited by the seismological community, as they require more advanced processing and identification techniques.

Sujet :
This postdoctoral position funded by the BRUIT-FM project primarily aims at developing signal processing and machine learning techniques to classify and separate signals recorded by OBSs and to enhance earthquake waveforms and microseismic noise. It devotes to a better exploitation of non-seismological signals for defining a seafloor soundscape. Hence the moniker ”Ocean Bottom Noise Shazam”, from the famous music retrieval/identification application

Information: http://www.laurent-duval.eu/job-2022-postdoc-ocean-shazam-bruit-fm-data-science-signal-processing-marine-seismology.html

Profil du candidat :
PhD with strong interest in spectral analysis, adaptive filtering, machine learning, data science with a taste of physics.

Formation et compétences requises :
Languages: C/C++, Python/Matlab or similar. Seismology is a plus

Adresse d’emploi :
France, IFREMER, Brest

Document attaché : 202202052227_KER_S_2022_SUBJ_PSD-Bruit-FM-Postdoc-Ocean-Bottom-Noise-Shazam.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : UMR AGAP, CIRAD, Montpellier ou IRHS, INRAE, Anger
Durée : 6 mois
Contact : frederic.boudon@cirad.fr
Date limite de publication : 2022-12-30

Contexte :
Aujourd’hui, la science doit trouver de nouvelles solutions pour augmenter la tolérance des plantes cultivées aux stress environnementaux. Pour cela, une meilleure compréhension des mécanismes sous-jacents à l’édification des plantes et leur contrôle par l’environnement est nécessaire. Notamment, les bourgeons formés à l’aisselle des feuilles restent dormants ou s’activent selon l’environnement donnant naissance à de nouveaux axes [1]. Ce processus a des conséquences importantes sur divers aspects des performances agronomiques des plantes (par exemple, la qualité visuelle des plantes ornementales, le rendement des plantes utilisées pour l’alimentation). Néanmoins, les mécanismes par lesquels l’environnement régule le débourrement ont été peu étudiés [2]. Dans l’équipe, des résultats expérimentaux sur le rosier nous conduisent à émettre une hypothèse quant aux mécanismes par lesquels l’intensité lumineuse contrôle le débourrement. Cette hypothèse implique une interaction entre une classe d’hormones, les cytokinines (CK), et la disponibilité en sucre, deux régulateurs contrôlés par la lumière [3,4].
Pour l’évaluation de notre hypothèse, nous souhaitons la modéliser et confronter les comportements de la plante simulés aux comportements observés. Cela implique de modéliser les flux de carbone au sein de la structure de la plante et leur interaction avec les hormones. Or, aujourd’hui, les modèles de flux de carbone utilisés dans la littérature ne reproduisent que très partiellement les mécanismes physiologiques décrits par la théorie de Münch. Des premiers modèles permettent de résoudre ces flux sur des structures topologiquement très simples [5,6]. Des travaux récents montrent la possibilité d’une résolution sur des structures plus complexes [7].

[1] Rameau, C., Bertheloot, J., Leduc, N., Andrieu, B., Foucher, F., & Sakr, S. (2015). Multiple pathways regulate shoot branching. Frontiers in plant science, 5.
[2] Schneider A., Godin C., Boudon F., Demotes-Mainard S., Sakr S., Bertheloot J. (2019). Light Regulation of Axillary Bud Outgrowth Along Plant Axes: An Overview of the Roles of Sugars and Hormones. Frontiers in Plant Science, 10, 1-17.
[3] Roman, H., Girault, T., Barbier, F., Péron, T., Brouard, N., Pencik, A., et al. (2016). Cytokinins are initial targets of light in the control of bud outgrowth. Plant Physiology, 172, 489-509.
[4] Corot A., Roman H., Douillet O., Autret H., Perez-Garcia M. D., Citerne S., Bertheloot J., Sakr S., Leduc N., Demotes-Mainard S. (2017). Cytokinins and abscisic acid act antagonistically in the regulation of the bud outgrowth pattern by light intensity. Frontiers in Plant Science, 8, 1-16.
[5] Bancal, P., & Soltani, F. (2002). Source-sink partitioning. Do we need Munch? Journal of Experimental Botany, 53(376), 1919-1928.
[6] Minchin, P. E. H., Thorpe, M. R., & Farrar, J. F. (1993). A SIMPLE MECHANISTIC MODEL OF PHLOEM TRANSPORT WHICH EXPLAINS SINK PRIORITY. Journal of Experimental Botany, 44(262), 947-955.
[7] Lacointe, A., & Minchin, P. E. H. (2019). A Mechanistic Model to Predict Distribution of Carbon Among Multiple Sinks. In J. Liesche (Ed.), Phloem: Methods and Protocols (Vol. 2014, pp. 371-386).

Sujet :
L’objectif du stage est de développer un modèle de réponse du débourrement à la lumière, intégrant les flux de carbone selon la théorie de Münch et leur interaction avec les CK. Lors d’un précédent travail, une première version simplifiée du modèle a été développée pour une structure simple de plante. Lors du stage, l’étudiant étendra ce modèle pour une structure plus complexe et pour intégrer notre hypothèse sur l’interaction sucre-CK; Il explorera également le comportement du modèle par la mise en place d’une analyse de sensibilité, et confrontera les simulations à des données expérimentales pour tester notre hypothèse.

Étapes principales du stage :
– Implémentation du modèle :
– Etendre le modèle développé pour une structure simple de plante (pools d’organes représentés) à une structure plus complexe (organes individualisés)
– Introduire l’hypothèse d’interaction Sucre-Cytokinine
– Ajuster les paramètres par optimisation à partir d’un jeu de données mesurées
– Exploration du modèle et évaluation:
– Faire une analyse de sensibilité des paramètres du modèle
– Évaluer la capacité du modèle à simuler les comportements de plante observés sous une gamme de traitements expérimentaux. Les données sont déjà disponibles. Selon l’avancement, une 2e phase pourra être envisagée au cours de laquelle d’autres hypothèses pourraient être testées.
– Intégrer le modèle à la plateforme en ligne MorphoNet pour le rendre accessible à la communauté des modélisateurs biologistes.

Profil du candidat :
Ce stage peut convenir à des étudiant(e)s provenant d’une école en modélisation mathématique, en informatique ayant un attrait pour la biologie, et la modélisation de systèmes biologiques.

Formation et compétences requises :
Une capacité rédactionnelle et un goût pour le travail en équipe à l’interface entre plusieurs disciplines (maths, info, écophysiologie) seront nécessaires.

Adresse d’emploi :
– CIRAD, Équipe Phénomen, UMR AGAP, Avenue Agropolis TA A-108/01 34398 Montpellier Cedex 5, France
ou
– Institut de Recherche en Horticulture et Semences, INRAE, 49000 Angers, France

Document attaché : 202209301412_Physioscope_Model_2023_VInfo.pdf

Offre en lien avec l’Action/le Réseau : MACLEAN/– — –

Laboratoire/Entreprise : IMBE Aix-Marseille University (Marseille, Campus S
Durée : 5 à 6 mois
Contact : laure.berti@ird.fr
Date limite de publication : 2022-12-31

Contexte :

Le stage se définit dans le cadre d’une collaboration entre l’IMBE (https://www.imbe.fr/), ESPACE-DEV (https://www.espace-dev.fr/) et l’Université Fédérale de Paraíba – Campus IV (https://www.biodiversidade.info/rafael-raimundo/index.php).

Le ou la candidat.e retenu travaillera sur des approches de modélisation pour découvrir des voies alternatives de transition durable en agroécologie pour les paysages du Nord-Est brésilien.

En particulier, le travail portera sur l’élaboration de modèles informatiques pour comprendre et faire des inférences et des prédictions sur les menaces à la biodiversité et les vulnérabilités sociales afin de (i) proposer des stratégies pour favoriser le développement de systèmes agroécologiques durables combinant conservation de la biodiversité et inclusion sociale, et (ii) fournir des recommandations pour des solutions adaptatives et une gouvernance face à la crise de la biodiversité et au changement climatique.

Sujet :
Le travail consiste en 4 objectifs :

1) Recueillir toutes les données déjà disponibles (identifiées en amont du stage par les équipes encadrantes) pour cartographier les services écosystémiques et d’autres indicateurs socio-économiques liés à l’état des agroécosystèmes dans le Nord-Est brésilien, à l’échelle régionale, et plus précisément dans l’état de Paraíba où un corridor agroécologique impliquant des fragments restant de la forêt atlantique a été proposé pour combiner restauration de la biodiversité et transitions agroécologiques à l’échelle du paysage.

2) Cartographier les changements (qui peuvent être des dégradations) entre différentes périodes ; cependant, nous nous intéressons surtout à la restauration observée suite à une transition vers l’agroécologie. Les données multi-sources seront intégrées et préparées pour être ensuite utilisées par les différentes approches de modélisation, notamment les modèles d’apprentissage.

3) Mener une première étude conjointe de la littérature :
– du point de vue agroécologique, à partir d’un corpus d’articles rassemblés par les équipes encadrantes, extraire des informations dans le but de quantifier l’effet des pratiques agroécologiques sur certaines variables de l’agroécosystème (séquestration du carbone, capacité de rétention d’eau du sol, vulnérabilité des cultures aux ravageurs et aux maladies, stabilité des rendements, etc.) et sur certains indicateurs socio-économiques (coûts, emplois requis, etc.) Cette synthèse sera comparée aux données recueillies en 1). Pour les effets qui semblent significatifs, quelques fonctions simples seront dérivées.

– du point de vue de l’Intelligence Artificielle, afin d’étudier l’état de l’art dans le domaine de l’apprentissage, notamment pour évaluer comment les modèles existants d’apprentissage par renforcement peuvent être appliqués à la gouvernance agroécologique ;

4) Développer un prototype en Python pour déterminer la durabilité des pratiques agroécologiques (espace d’actions, récompense en apprentissage par renforcement à partir des données collectées) sur des scénarios de stress simplifiés de changement climatique.

Profil du candidat :
PRÉREQUIS:
– Bonne expérience de la programmation en Python
– Connaissance des méthodes, outils et librairies en apprentissage automatique
– Formation en modélisation (et idéalement en agroécologie)

CANDIDATURE: Envoyer votre CV et lettre de motivation à laure.berti@ird.fr, sophie.gachet@imbe.fr, et alberte.bondeau@imbe.fr

Formation et compétences requises :
Etudiant.e de Master 2 en Informatique

Adresse d’emploi :
IMBE Aix-Marseille Université – Campus Étoile Faculté des Sciences St-Jérôme Case 421 Av Escadrille Normandie Niémen 13 397 Marseille cedex 20

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LISN
Durée : 5 à 6 mois
Contact : anne.sergent@lisn.fr
Date limite de publication : 2022-12-31

Contexte :
La convection de Rayleigh-Bénard s’établit dans une cavité sous l’effet d’une différence de température imposée aux parois horizontales, la paroi du bas étant chauffée. L’écoulement résultant est caractérisé par la superposition de panaches à petite échelle, vecteurs de la chaleur, et d’un écoulement turbulent remplissant la cavité. Depuis de nombreuses années, nous simulons par simulation numérique directe (DNS) ce phénomène physique. Le passage à des simulations massivement parallèles nous permet maintenant de modéliser des jumeaux numériques des expérimentations. Cependant, ces calculs sont très lourds et même si la description spatio-temporelle de l’écoulement peut être très fine, il est difficile d’approcher statistiquement toutes les échelles de l’écoulement, de stocker l’intégralité des champs calculés, ou de rejouer facilement les séquences. C’est pourquoi nous cherchons à construire des modèles réduits de ces écoule-
ments, notamment par apprentissage automatique [LAS+22].

Sujet :
Nous cherchons ici à tirer partie des capacités d’apprentissage automa-
tique des réseaux de neurones pour réduire la complexité des données à sauvegarder, inférer des quantités cachées ou identifier des zones d’intérêt (par ex. [Cai+2021, FPSS19]). En particulier, on s’intéresse aux images d’ombroscopie, facilement obtenues expérimentalement, mais aussi numériquement, et qui contiennent une information 3D. A partir de réseaux à convolution, on utilisera des auto-encodeurs destinés à inférer les champs 2D/3D de température ou de vitesse. Une attention particulière sera portée sur la construction de la base de données d’entrée, de façon à assurer la robustesse du réseau. La base de données DNS est déjà existante [Bel+2021]. Les développements seront réalisés sous TensorFlow sur une carte du cluster GPU du cluster du laboratoire.

Profil du candidat :
Le candidat aura des connaissances dans un des thèmes suivants : Sciences des données, apprentissage automatique, statistiques/probabilités, mécanique des fluides.

Possibilité de continuer en thèse (financement ANR)

Formation et compétences requises :
Master de 2e année

Adresse d’emploi :
LISN, Campus universitaire, bat. 507 rue du Belvédère, 91405 Orsay

Document attaché : 202211091635_stage_sergent_2023_CNN.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Laboratoire d’analyse du mouvement du CHU de Bres
Durée : 6 mois
Contact : maxime.devanne@uha.fr
Date limite de publication : 2022-12-31

Contexte :
La Paralysie Cérébrale (PC) est un terme qui désigne un groupe de troubles permanents du développement du mouvement et de la posture, responsables de limitations d’activité, imputables à des événements ou atteintes non progressives survenus sur le cerveau en développement du fœtus ou du nourrisson. Les troubles moteurs de la PC sont souvent accompagnés de troubles sensoriels, perceptifs, cognitifs, de la communication et du comportement. La PC touche environ 2 enfants sur 1000 en Europe et est le handicap physique le plus fréquent de l’enfance.
L’Analyse Quantifiée de la Marche (AQM) est un des outils que possède le clinicien pour l’aider dans sa prise de décision thérapeutique afin d’améliorer la marche des enfants avec PC. Cet examen est réalisé en routine clinique dans un laboratoire du mouvement et quantifie les déviations à la marche. Cet examen permet d’obtenir la reconstruction 3D du mouvement (cinématique) à partir de caméras infrarouges et de marqueurs posés en regard de points anatomiques, l’activité musculaire et la force de réaction lors de l’appui, …. Ces paramètres peuvent être considérés comme des séries temporelles.
Le service de Médecine Physique et Réadaptation du CHU de Brest possède un laboratoire du mouvement dans lequel plus de 1100 patients (enfants et adultes) ont réalisé au moins une AQM. Afin d’aider sa prise de décision thérapeutique, le clinicien aime retrouver dans la base de données les cas similaires à un nouveau patient à partir de la cinématique de celui-ci.

Sujet :
L’objectif du stage est le développement de la similarité entre séries temporelles à l’aide de réseaux de neurones. Il s’agira tout d’abord d’effectuer une étude bibliographique des méthodes d’apprentissage automatique et d’apprentissage profond utilisées pour la mesure de similarité de séries temporelles. Ensuite, l’objectif sera de développer des réseaux de neurones pour extraire des caractéristiques pertinentes à partir des séries temporelles des paramètres de la marche. Ces caractéristiques pourront ensuite être utilisées pour le calcul de similarité entre plusieurs séries temporelles. La performance des algorithmes développés sera évaluée à partir des cycles de marche acquis au CHU de Brest. Les cliniciens pourront ainsi avoir l’évolution des cas les proches du cas qu’ils sont en train d’analyser et proposer des recommandations thérapeutiques basées sur l’approche de cas similaires.

Profil du candidat :
– M2 recherche en Informatique / Intelligence Artificielle
– Très bon niveau de programmation Python
– Des bonnes connaissances en apprentissage automatique et apprentissage profond
– Des connaissances sur les techniques de mesures du mouvement humain par systèmes optoélectroniques seraient appréciées

Formation et compétences requises :
– M2 recherche en Informatique / Intelligence Artificielle
– Très bon niveau de programmation Python
– Des bonnes connaissances en apprentissage automatique et apprentissage profond
– Des connaissances sur les techniques de mesures du mouvement humain par systèmes optoélectroniques seraient appréciées

Adresse d’emploi :
Le stage se déroulera au laboratoire du mouvement du CHU de Brest.

Document attaché : 202210280724_StageIrimasCHU_TS.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LIRIS
Durée : 5-6 mois
Contact : stefan.duffner@liris.cnrs.fr
Date limite de publication : 2022-12-31

Contexte :
While consciousness is currently seen as the result of processes in the brain, ordinary human experience is in fact embedded in a web of causal relations that link the brain to the body and the environment (Bayne et al., 2020). Embodied cognition is a naturalistic theory in which consciousness is associated with a dynamic interaction between brain, body and environment (BBE) (Thompson et Varela, 2001). Indeed, from an evolutionary point of view, the nervous system appears to be dedicated to perceptual and motor processes that allow interaction with the environment (Thompson et Varela, 2001). According to this model, the world of which we are aware is enacted by our past interactions with the environment. In other words, consciousness would be better explained in terms of being in the world at a specific time and place. From a biological point of view, this would be associated with both information shared across cortical regions and non-reflexive behaviors (Kanai et al., 2019).
One way to better understand consciousness is to study its disorders and recovery. Indeed, when such
patients recover, they go through different clinical states that are characterized by the recovery of arousal and/or awareness and by the recovery of BBE interactions. Coma is a state of unconsciousness in which patients cannot be awakened. Those who recover could transit through a disorder of consciousness (DOC).
We hypothesize that the analysis of synchronized brain-behavior recordings to naturalistic stimulations
will better predict consciousness recovery, than the current analyses of one of the two modalities in
neutral contexts. Specifically, we hypothesize that DOC patients who will recover consciousness are those whose cerebral connectivity abilities are associated with non-reflexive behaviors to emotional and/or social stimuli (listening to preferred music, visit from relatives).
The first aim of the project is to apply, in healthy participants and DOC patients, new behavioral tools we have developed thanks to different computer vision methods (body and face analysis from video), and to characterize the behavioral responses associated with naturalistic conditions, thanks to machine-learning methods. The second aim is to characterize, in the same populations, the BBE interactions, i.e. how brain (from high-density EEG connectivity), body (from video and ECG -electrocardiogram) responses are coupled/decoupled according to the environment (emotional and social vs. neutral stimuli). This work will allow a better care of DOC patients and more generally a better understanding of the cerebral-behavioral bases of consciousness.

Sujet :
We will build upon existing preliminary works, where state-of-the-art computer vision algorithms (e.g. OpenPose, OpenFace) for human pose estimation and face and gaze analysis have been integrated and adapted to the specific context and acquisition conditions.
Subjects are successively put into 3 different situations:
• listening to sound,
• rest,
• interactions with the instructor,
and for each situation an emotional and a non-emotional version is performed (e.g. for sound: listening to favorite music). The first experiments based on recurrent (LSTM) neural networks have already given promising results for classifying different situations (in terms of interaction with the environment and overall behavioral phenomena). which we will further improve and make explicit, i.e. interpretable by medical specialists and neuroscientists. For example, at this point, we do not know yet, what parts of the body or face are likely to produce more relevant indicators of consciousness state and which type of behaviour, motion or gestures are informative. This will be one concrete expected result of the internship.
We have video, ECG and hd-EEG data from 20 healthy subjects and 60 DOC patients, which will allow the development of more precise and robust machine learning models.
Nevertheless, this represents relatively few data given the large variability between patients. Thus strong priors and regularisation are needed to avoid overfitting. Also specific pre- and post-processing methods will help to reduce the noise and decrease the dimensionality (e.g. by learning compact feature
embeddings, or by features selection algorithms). For example, we developed a specific filtering algorithm on the output of OpenPose that effectively removes undesired oscillations (due to pixel quantisations) and produces body pose and motion estimates that are much more realistic and that contain fewer artifacts.
Furthermore, different learning strategies and models will be developed to deal with the large amount of noise in general and the imbalance between the amount of relevant data compared to irrelevant data, for example by “rebalancing” the data using other methods or by specific learning mechanisms such as the Multiple Instance learning framework or some type of self-supervised learning.
The combination of these different modalities using new deep learning models as well as the adaptation of our existing models for unsupervised learning multi-variate time series (Berlemont et al. 2017) will allow us to further analyse complex correlations and co-occurences of characteristics and, by focusing on explainable methods and results (explainable AI), give insights into BBE interactions and further give rise to new neuroscientific hypotheses. The findings of such correlation patterns will be another major result that we expect from this project.
Thus, the nature of this research is clearly exploratory, and the expected results will concern both methodological contributions in AI and original methods leading to new knowledge in Neuroscience.

Profil du candidat :
Master in Computer Science, AI, Machine Learning or similar

Formation et compétences requises :
– Good knowledge of machine learning and neural networks and data analysis,
– Strong skills in python programming and PyTorch
– Motivation to work in a multi-disciplinary project
– Scientific curiosity

Adresse d’emploi :
LIRIS – INSA Lyon, 7 Avenue Jean Capelle, 69621 Villeurbanne, France

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LIRIS
Durée : 5-6 mois
Contact : stefan.duffner@liris.cnrs.fr
Date limite de publication : 2022-12-31

Contexte :
Deep Neural Networks (DNN) are powerful machine learning models for a large number of applications. However, they may have an enormous number of parameters and require large amounts of memory and computational resources and thus incur a high energy consumption, which makes their use for edge computing difficult.
Several approaches have been proposed to alleviate this problem, e.g. pruning, quantisation or architectural optimisations such as Neural Architecture Search. Although more and more efficient solutions exist also on the practical side (TensorFlow Lite, PyTorch quantization [1], NVIDIA Tensor RT etc.), the deployment of large DNN on embedded systems is still challenging.
Thus, on a more global level, a major concern in reducing the energy consumption related to AI in the cloud as well as on the edge is to make these tools more efficient and more accessible to a larger public.

[1] https://pytorch.org/blog/introduction-to-quantization-on-pytorch/
[2] Renato Cintra, Stefan Duffner, Christophe Garcia & André Leite (2018). « Low-complexity Approximate Convolutional Neural Networks ». IEEE Transactions on Neural Networks and Learning Systems

Sujet :
The goal of this project is to study the state of the art in neural network quantisation and experiment with existing frameworks such as the PyTorch quantisation module. We will particularly focus on post-training static quantisation. The first objective is to implement a simple pipeline (either using one of the existing libraries or from scratch) and make it extensible and adaptable to new algorithms. A set of standard models (MLP and CNN) and some common datasets will serve as a test bench.
A second objective consists in developing and experimenting with new quantisation schemes (fixed-point and floating-point of different precision and different layer-wise/channel-wise strategies).
Finally, a more complex quantisation algorithm that we published earlier [2] should be implemented and adapted to the given framework and pipeline. The developed algorithms should be tested and evaluated (on CPU and GPU hardware).
This internship is part of an industrial exploitation project of research work in collaboration with engineers from Pulsalys (https://www.pulsalys.fr).

Profil du candidat :
Master in Computer Science, AI, machine learning or similar, or final year of engineering school

Formation et compétences requises :
– Good knowledge in machine learning and neural networks
– Knowledge in optimisation is a plus
– Good skills in python programming and Pytorch, scipy, numpy etc.
– Scientific curiosity and creativity
– Motivated to work in a team of researchers and engineers

Adresse d’emploi :
LIRIS – INSA Lyon, 7 Avenue Jean Capelle, 69621 Villeurbanne, France

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : ETIS, UMR8051, CY Cergy Paris Université, ENSEA Ce
Durée : 6 mois
Contact : michel.jordan@cyu.fr
Date limite de publication : 2023-01-01

Contexte :
Le contexte du stage est le développement d’un outil permettant de repérer automatiquement les altérations dangereuses sur le dos des reliures pour aider les conservateurs de bibliothèques à évaluer l’état des fonds de livres.

Contacts : Camille Simon Chane, camille.simon-chane@ensea.fr; Michel Jordan, michel.jordan@cyu.fr

Sujet :
Description de la mission :
Le contexte du stage est le développement d’un outil permettant de repérer automatiquement les altérations dangereuses sur le dos des reliures pour aider les conservateurs de bibliothèques à évaluer l’état des fonds de livres. Un premier travail a été réalisé en partenariat avec les Archives. Il a permis de mettre en place un pipeline complet (voir photo) basé sur les techniques de la segmentation sémantique pour repérer les altérations dangereuses sur les reliures des archives du Parlement de Paris, constituant un corpus très homogène d’environ 11 000 ouvrages. Un partenariat avec les Archives nationales du Québec (BanQ) nous a permis d’acquérir et d’annoter des images d’ouvrages plus récents et hétéroclites. Cette base de données est composée de 300 photographies, soit plus de 5000 ouvrages. Il s’agit désormais d’évaluer les algorithmes de segmentation des livres et de détection des altérations sur cette base de données.

L’étudiant sera responsable des tâches suivantes :
1. Évaluation des algorithmes existant sur les nouvelles images
2. Adaptation et développement de nouveaux algorithmes
3. Choix et implémentation de métriques adaptées à l’évaluation de l’état sanitaire.

En sus de l’encadrement scientifique, un dialogue continu avec une restauratrice et avec les bibliothèques guidera le travail. Ce projet permettra à l’étudiant de mettre en pratique ses connaissances en deep-learning dans un contexte avec des contraintes fortes et stimulantes.

Calendrier de travail : nous prévoyons un stage de 6 mois :
– Mois 1 : bibliographie. Prise en main du travail existant
– Mois 1 : Évaluation de la détection de livres
– Mois 2 : Évaluation de la détection d’altérations
– Mois 1 à 3 : Choix et implémentation de métriques
– Mois 2 à 3 : Adaptation de l’algorithme de détection de livres
– Mois 4 à 6 : Développement d’un nouvel algorithme de détection des altérations
– Mois 6 : Rédaction du rapport de stage et de la documentation

A propos du laboratoire ETIS :
ETIS est une unité mixte de recherche (UMR 8051) commune à CY Cergy Paris Université, à l’ENSEA (Ecole nationale supérieure de l’électronique et de ses applications, Cergy) et au CNRS, rattachée principalement à l’INS2I. Le laboratoire mène des recherches aussi bien théoriques qu’expérimentales en vue de permettre à des systèmes de traitement de l’information d’acquérir des capacités d’autonomie. L’autonomie s’entend ici aussi bien en termes d’apprentissage et d’adaptation à l’environnement (y compris l’utilisateur), que de prise de décision et de faible consommation énergétique ou de puissance de calcul par exemple. Les domaines concernés sont l’analyse des données, l’indexation d’images, la robotique développementale, la théorie de l’information et les télécommunications. ETIS est doté d’un pôle de recherche d’excellence en intégration de données pour le patrimoine culturel qui a participé activement au LabEx Patrima et à l’EquipEx Patrimex.

Candidature :
Contacter les responsables du stage, Camille Simon Chane et Michel Jordan.
Date limite de candidature : 31 décembre 2022.
Début du stage : à partir du 1er mars 2023.

Profil du candidat :
Nous cherchons un étudiant en master 2 ou équivalent (ingénieur) dans l’un des domaines suivants: sciences de la donnée, intelligence artificielle, machine learning. Nous cherchons également un candidat qui a une appétence pour les sciences du patrimoine.

Formation et compétences requises :
Des compétences en programmation Python sont indispensables. L’étudiant doit avoir codé, entraîné et paramétré un réseau au cours de ses études. Une expérience avec la librairie PyTorch sera appréciée.

Niveau de qualification requis : Bac + 4/5 et +

Adresse d’emploi :
ETIS, UMR 8051, CY Cergy Paris Université, ENSEA, CNRS

ENSEA
6 avenue du Ponceau
95014 Cergy-Pontoise cedex

Offre en lien avec l’Action/le Réseau : – — –/Doctorants

Laboratoire/Entreprise : BRGM, LIFO, PRISME
Durée : 5 mois
Contact : guillaume.cleuziou@univ-orleans.fr
Date limite de publication : 2023-01-10

Contexte :
Aujourd’hui, 2/3 des communes françaises sont considérées comme exposées à des catastrophes naturelles (inondations, séismes, etc.). Il est établi que cette situation s’accentuera dans les prochaines décennies, si bien que l’analyse des témoignages diffusés de manière agile et spontanée sur les réseaux sociaux (tels que Twitter) constituera un formidable outil pour qualifier rapidement et automatiquement l’ampleur des catastrophes et ainsi contribuer aux stratégies de gestion de crise.

Des travaux récents menés dans ce domaine exploitent les techniques d’apprentissage de représentations vectorielles dans des espaces sémantiques pour mener une analyse centrée soit sur le contenu textuel des posts, soit sur les images et/ou les vidéos associées. Bien que ces deux niveaux d’analyse soient complémentaires, l’analyse conjointe des images et du texte qui leur est associé reste difficile à mettre en oeuvre dans le contexte de la gestion de crise.

Sujet :
Certaines techniques multimodales exploitant notamment les captions des images au moyen de Transformers (BERT) ont montré des performances prometteuses sur des tâches de classification sur le corpus de tweets en langue anglaise CrisisMMD.

L’objectif du stage est d’adapter ces techniques multimodales au traitement des tweets en langue française. Cette adaptation offrira différents choix dans la chaîne de traitement, dont – en particulier – la possibilité de travailler dans des espaces de représentation mono- ou multilingues. Il s’agira alors de (1) proposer plusieurs architectures d’implémentation et (2) de les évaluer sur (3) un jeu de données préparé pour l’occasion à partir de sources existantes au BRGM.

L’objectif du stage est d’adapter ces techniques multimodales au traitement des tweets en langue française. Cette adaptation offrira différents choix dans la chaîne de traitement, dont – en particulier – la possibilité de travailler dans des espaces de représentation mono- ou multilingues. Il s’agira alors de (1) proposer plusieurs architectures d’implémentation et (2) de les évaluer sur (3) un jeu de données préparé pour l’occasion à partir de sources existantes au BRGM.

Profil du candidat :
Vous disposez d’une culture scientifique en Machine Learning et d’une expérience dans la mise en oeuvre de modèles de Deep Learning (ex. Transformers). Vous manifestez un intérêt pour l’analyse de données textes et/ou images.

Formation et compétences requises :
Vous êtes étudiant·e en master et/ou école d’ingénieur en Mathématiques/Informatique.

Adresse d’emploi :
Merci d’adresser votre candidature (CV + notes + lettre de motivation) avant le 10/01/2023 à badreddine.farah@univ-orleans.fr et guillaume.cleuziou@univ-orleans.fr.

Document attaché : 202212090739_Annonce_StageM2_2023_CrisisMMDeepL_Orleans.pdf