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

Laboratoire/Entreprise : LIFAT (Université de Tours)
Durée : 18 months
Contact : nicolas.ragot@univ-tours.fr
Date limite de publication : 2023-06-15

Contexte :
The JUNON project, driven by the BRGM, is granted from the Centre-Val de Loire region through ARD program (« Ambition Recherche Développement »). The main goal of JUNON is to elaborate digital services through large scale digital twins in order to improve the monitoring, understanding and prediction of environmental resources evolution and phenomena, for a better management of natural resources. JUNON will focus on the elaboration of digital twins concerning quality and quantity of ground waters, as well as emissions of greenhouse gases and pollutants with health effects, at the scale of geographical area corresponding to the North part of the Centre-Val-de-Loire region.

Sujet :
The goal of the postdoc will be to build new prediction models for time series date corresponding to the evolution of ground waters levels. These predictors should be able to integrate several sources of information like:
– meteorological data
– spatial information, i.e. geolocalization of sensors and locations of predictions to be made; topological information such as altitude
– integration of knowledge from mechanistic models as well as from expert knowledge (impact of attributes and variables used)

Profil du candidat :
PhD in machine learning (computer sciences or applied mathematics) :

Formation et compétences requises :
– a strong experience in data analysis and machine learning (theory and practice of deep learning in python) is required
– experiences/knowledge in time series prediction and environmental science is welcome
– curiosity and ability to communicate (in English at least) and work in collaboration with scientists from other fields
– ability to propose and validate new solutions and to publish the results
– autonomy and good organization skills

Adresse d’emploi :
Computer Science Lab of Université de Tours (LIFAT), Pattern Recognition and Image Analysis Group (RFAI)
64 av. Jean Portalis, 37200 Tours

Document attaché : 202304141456_Fiche de poste Pdoc Junon.pdf

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

Laboratoire/Entreprise : Sesstim, Aix Marseille University
Durée : 24 Mois
Contact : raquel.urena@univ-amu.fr
Date limite de publication : 2023-06-26

Contexte :
The growing life expectancy in developed countries has led to an alarming rise in cancer cases among the elderly. Age is a significant risk factor, with cancer incidence 10 times higher in patients over 65 years old. Sadly, limited clinical studies focus on elderly patients due to exclusion criteria, resulting in suboptimal treatment decisions. Embracing the power of AI, we aim to enhance early detection, diagnosis, and treatment prediction in oncology, particularly for the elderly population.

Sujet :
Join us in leveraging advanced Machine Learning and Deep Learning techniques to analyze clinical data and healthcare reimbursement records from the French Cancer Data Platform (INCA). Our objective is to construct comprehensive temporal profiles for patients, considering clinical characteristics, treatment history, comorbidities, and care utilization using cutting edge deep learning models such us AED and transformers. The study will specifically focus on patients aged 70 and above receiving care at the Institut Paoli-Calmette in Marseille. By developing predictive algorithms, we strive to improve treatment response predictions for elderly cancer patients, thus enhancing their medical care.
Research Team: Collaborate with the esteemed Sesstim researchers and oncologists at Marseille’s Cancer Hospital, IPC. Our multidisciplinary team consists of data scientists, medical professionals, and statisticians. As a postdoctoral researcher, you will receive direct supervision Raquel Urena,associate professor and AI specialist and A.D. Bouhnik biostatistician and specialist in Cancer research along with oncologists and public health doctors. Your primary location will be the Faculty of Medicine in Marseille.

Profil du candidat :

• Strong publication record in deep learning and machine learning
• Proficiency in Python and R programming
• In-depth knowledge of machine learning, deep learning methodologies and LLM
• Solid understanding of SQL databases
• Fluent in French and English

Formation et compétences requises :
-PhD in Artificial Intelligence or Computer Science
-MS degree in Computer Science, Statistics, Maths or related discipline

Adresse d’emploi :
Université Aix-Marseille – Faculté de Médecine – 27, boulevard Jean Moulin 13385 Marseille Cedex 5

Document attaché : 202306230927_24 months Post Doc position in artificial intelligence applied to cancerology research.pdf

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

Laboratoire/Entreprise : Institut Gulliver
Durée : 1 an
Contact : alexandre.allauzen@dauphine.psl.eu
Date limite de publication : 2023-06-26

Contexte :
L’École Supérieure de Physique et de Chimie Industrielles de la Ville de Paris est à la fois une Grande École d’ingénieurs et un institut de recherche (11 laboratoires) de réputation internationale jouissant d’une forte culture d’excellence scientifique (6 Prix Nobel). L’enseignement et la recherche se situent à la croisée du savoir et du savoir-faire en physique,chimie et biologie.

https://www.espci.psl.eu/fr/espci-paris-psl/emploi/2022/ater-physique-statistique-de-la-matiere-active-et

Sujet :
La personne recrutée aura pour mission de participer à l’enseignement informatique et numérique du cursus ingénieur de l’école. L’objectif est que les élèves maîtrisent dès le début de leur parcours les outils informatiques tels que la programmation en PYTHON, et l’analyse numérique avec MATLAB, afin qu’ils sachent les intégrer dans leur démarche scientifique. Ainsi, les méthodes numériques peuvent mises en pratique sur des problématiques de calculs efficaces, de résolutions numériques et de simulation. Enfin l’analyse de données complète cet enseignement avec un module de statistique appliquée et une introduction à l’apprentissage machine.

L’activité de recherche se déroulera au sein du laboratoire Gulliver, dont la spécificité est d’être composé pour moitié de théoriciens et pour moitiés d’expérimentateurs de la matière molle. Les recherches du laboratoire couvrent un large spectre de sujets allant de la physico-chimie moléculaire, à l’étude des interfaces, en passant par la physique des verres et gels colloïdaux, la physique de la matière active, de la matière programmable, ou encore topologique. Ces sujets sont le plus souvent abordés sous l’angle de la physique statistique. Dans le cas présent, le projet de recherche portera sur l’étude des systèmes actifs, plusieurs déclinaisons étant possibles, qu’il s’agisse de l’étude des solides actifs ou de celle d’un essaim de robots.

Profil du candidat :
Machine Learning, Statistical Physics, Active Matter

Formation et compétences requises :
Doctorat

Adresse d’emploi :
ESPCI, 10 rue Vauquelin, 75005 Paris

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

Laboratoire/Entreprise : Lab-sticc / ENSTA Bretagne
Durée : 3 ans
Contact : gilles.le_chenadec@ensta-bretagne.fr
Date limite de publication : 2023-06-30

Contexte :
The SeabAId project is being carried out in partnership with Shom and funded by the Defence Innovation Agency within the framework of the
Ingéblue Institute over a period of 4 years. It concerns the analysis and exploitation of the acoustic reflectivity of the seabed using multibeam sonar.
The project has three scientific aspects. The first aspect is the processing of acoustic data from Shom multibeam echosounders to estimate the reflectivity of the seafloor and assess its uncertainty. The second aspect is to develop a semantic segmentation approach using deep learning adapted to automatic seafloor prediction. The last aspect aims at developing a hybrid data-driven, deep learning and acoustically guided
approach.

Sujet :
is post-doc offer concerns the last two deep learning aspects of this project, i.e. the automatic processing of acoustic data recorded on the seafloor by multibeam echosounders in order to automatically generate maps (homogeneous zones).
The initial work will be based on the team’s previous work on the semantic segmentation of side-scan sonar images. Adapting this algorithm to multibeam echosounder data is the first objective of the study. For this task, a large database of labelled images has been created, recorded on various seabeds with a labelled map as additional information. For the learning process, the labels considered will come from the sedimentological expertise already produced in the various coastal areas through the Shom sedimentary maps (“carte G”).
There are several issues that need to be analysed and resolved in this study.
A first issue is how to train a semantic segmentation neural network when the labels are underresolved compared to the observations? A first idea is to generate the reflectivity mosaic at label resolution and train the model. The analysis should then focus on increasing the resolution of the observations to see how accurate the method can be.
A second issue will be to assess the relevance of using all the classes of the sedimentary map. It may not be possible to obtain the same level of detail from the reflectivity observations as the sedimentologists (which are often the result of multi-sensor analyses supplemented by sediment samples). The analysis to be undertaken will be to understand these possible cases where the algorithm cannot discriminate between two sedimentary classes. A fusion of sedimentary classes could be carried out or a complementary method could be proposed.
Finally, here semantic segmentation concerns the ability to create acoustically homogeneous zones. The second and last objective of this post-doc is to inform the semantic segmentation algorithm by acoustic models and/or by a-priori acoustic information. These recent frameworks [1,2,3,4,5] make it possible to develop algorithms that allow massive processing of the data while taking into account the physics of the problem. This consideration may be particularly interesting for improving models; promoting explainability; using less data for learning; taking advantage of all available information to predict the seafloor.

Profil du candidat :
The successful candidate should have a strong background (phd or science degree) in machine learning. He/She should have good programming skills (Python). The successful candidates should have the ability to work in a team, be curious and have rigorous spirit.

Formation et compétences requises :
machine learning, deep learning, pytorch, tensorflow ,python
computer vision

Adresse d’emploi :
ENSTA Bretagne – Lab-STICC UMR CNRS 6285 – 2 rue François Verny, 29806 Brest

Document attaché : 202305231631_seabaid_postdoc_ia.pdf

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

Laboratoire/Entreprise : LIP6-Sorbonne Université
Durée : indeterminée
Contact : bernd.amann@lip6.fr
Date limite de publication : 2023-06-30

Contexte :
Pour la campagne de recrutement 2023, Sorbonne Université ouvre un poste de MCF en Informatique intitulé “Des données brutes aux modèles informatiques”. Les inscriptions s’effectueront exclusivement sur le portail ministériel Galaxie entre le 27 janvier 2023 à 10h00 (heure de Paris) et le 3 mars 2023 à 16h00 (heure de Paris). Attention: la date de fin d’inscription est avancée par rapport à d’autres institutions.

Sujet :
Profil MCF Informatique “Des données brutes aux modèles informatiques”

https://webdev.lip6.fr/recherche/emploi-fiche.php?ident=E121

Recherche :

La production croissante de données et les progrès récents en Intelligence Artificielle nécessitent le développement de nouvelles représentations et algorithmes pour la transformation de données brutes en connaissances exploitables par les outils d’analyse et de décision modernes. Beaucoup de ces données sont produites sous forme de traces par l’activité humaine et ensuite exploitées dans de nombreuses applications : régulation du trafic, analyse des interactions sur les plateformes en ligne, transactions économiques, interactions homme-machine. Le LIP6 développe des activités de recherche à toutes les étapes du processus qui mène des données brutes à la connaissance et à la prise de décision : agrégation et préparation des données, représentation et traitement des données à l’aide de formalismes expressifs, modélisation d’agents qui produisent ou exploitent les traces d’activité humaines, etc.

Le candidat ou la candidate retenu(e) s’intégrera dans une des équipes suivantes du LIP6 :

Bases de Données : http://www-bd.lip6.fr
Complex Networks : https://www.complexnetworks.fr/
MOCAH: https://www.lip6.fr/recherche/team.php?acronyme=MOCAH

Enseignement :

La personne recrutée interviendra de façon équilibrée dans les UE de Licence et de Master d’Informatique de Sorbonne Université. En Licence d’informatique, les besoins en enseignement couvrent l’ensemble de la discipline : algorithmique, programmation (notamment objet, concurrente, fonctionnelle, web), mathématiques discrètes, structures de données, système, architecture, réseaux, compilation, bases de données…En Master, selon son profil, la personne recrutée renforcera les enseignements des parcours « Réseaux » (RES), « AgeNts Distribues, Robotique, Recherche Opérationnelle, Interaction, DEcision » (ANDROIDE) et « Données, Apprentissage et Connaissances » (DAC).

Plus d’informations :

https://recrutement.sorbonne-universite.fr/fr/personnels-enseignants-chercheurs-enseignants-chercheurs/enseignants-chercheurs/recrutement-2023-des-enseignantes-chercheuses-et-enseignants-chercheurs.html

https://webdev.lip6.fr/recherche/emploi-fiche.php?ident=E121

Profil du candidat :
Les candidats et les candidates doivent être titulaire d’un doctorat en informatique et avoir une expérience scientifique dans les domaines de recherche décrits dans le profil de poste.

Formation et compétences requises :
Les candidats et les candidates doivent être titulaire d’un doctorat en informatique et avoir une expérience scientifique dans les domaines de recherche décrits dans le profil de poste.

Adresse d’emploi :
LIP6 – Sorbonne Université
Campus Pierre et Marie Curie
4 place Jussieu
75005 Paris

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

Laboratoire/Entreprise : DVRC/ESILV
Durée : 12 mois
Contact : nicolas.travers@devinci.fr
Date limite de publication : 2023-07-12

Contexte :
L’appréciation des visites effectuées par les touristes est un enjeu majeur dans le monde du tourisme afin d’anticiper les évolutions de tendances, mais aussi la manière dont ils circulent sur le territoire. Une approche permettant d’estimer cette appréciation est de reposer sur l’extraction de motifs fréquents sur un graphe de circulation, comme l’extraction de Graphlet [1], k-decomposition [2], ou encore les structures cohésives comme les k-plex [6]. Ainsi, les tendances touristiques sont extraites grâce à leurs fréquences d’apparition de manière topologique.
Toutefois, les données touristiques provenant de sites prescripteurs d’expérience, tels que TripAdvisor, donnent lieu à des volumes difficiles à intégrer dans les techniques traditionnelles de fouille de données. En effet, avec un grand nombre de lieux visité (millions), et un nombre énorme de commentaires laissés par les utilisateurs (milliards), il est nécessaire de développer une nouvelle approche pour le passage à l’échelle d’algorithmes basés sur les graphes. De plus, la compréhension du territoire se fait également par l’analyse du graphe à plusieurs échelles.

Sujet :
Pour ce faire, au sein du groupe digital du DVRC, nous travaillons sur le développement en Pregel [3] de différentes approches existantes pour pouvoir définir la meilleure stratégie de fouille de motifs tout en les adaptant à des problématiques de résumer de graphes à différentes échelles. De plus, l’aspect géodésique des données est un facteur important lié à la topologie des données [4, 5, 7], tout autant que la fréquentation. Nous étudions donc l’adaptation des méthodes existantes pour améliorer l’efficacité de la fouille de motifs basée sur ces informations [8, 9, 10, 11].
Ce postdoctorat est financé grâce à un projet lié à la Métropole Européenne de Lille (MEL2). Dans ce cadre, nous collaborons avec la Métropole et l’ADULM pour les questions métiers, mais surtout avec le laboratoire EIREST de Panthéon-Sorbonne sur la recherche en géographie liée au tourisme. Un autre postdoctorant sur ces aspects a déjà débuté ses travaux et sera en interaction avec le candidat. Le but étant d’apporter de la transdisciplinarité dans ces travaux en intégrant les questions métiers du tourisme au sein même des stratégies de fouille de motifs. Nous accorderons aussi une importance à l’interprétation des résultats pour traduire les motifs pour la compréhension des comportements touristiques sur le territoire Lillois. Pour finir, les données pourront être complétées avec des informations multidimensionnelles disponibles au sein du projet MEL2 (Booking, Airbnb, Observatoire du tourisme à la MEL, etc.).
Le but de ce postdoc est donc multiple :
– Intégrer des méthodes de fouille de motifs dans une base de données Neo4j (en Pregel/Java) ;
– Améliorer une méthode pour donner une heuristique de fouille adaptée au contexte géodésique ; – Traduction des motifs fréquents sur un comportement touristique à différentes échelles ;
– Développement sur la plateforme eKhonsou avec données multidimensionnelles.

Profil du candidat :
Niveau Doctorat en informatique.

Formation et compétences requises :
Connaissances en bases de données, Data Mining, BD graph (Neo4j, Cypher), Java programmation répartie, node.js.

Adresse d’emploi :
Laboratoire de recherche De Vinci Research Center au sein de l’École Supérieure d’Ingénieurs Léonard de Vinci ; Paris, la Défense.

Document attaché : 202305151624_2023_PostDoc_GraphMining.pdf

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

Laboratoire/Entreprise : Institut du Thorax
Durée : 24
Contact : alban.gaignard@univ-nantes.fr
Date limite de publication : 2023-07-13

Contexte :
Le projet ABRomics est coordonné par l’IFB et l’Institut Pasteur et est constitué d’un consortium de 45 équipes appartenant aux principaux organismes de recherche français.

Le projet ABRomics vise à développer une plateforme en ligne intersectorielle sécurisée One Health pour rendre accessibles les données de (méta)génomique des maladies infectieuses bactériennes et leurs métadonnées associées à un méta-réseau de chercheurs comprenant des épidémiologistes, des microbiologistes cliniques et la communauté de recherche au sens large.
Cette plateforme répondra à deux objectifs principaux :
1. Établir un référentiel de données microbiologiques multi-omiques structurées, interopérables, normalisées et bien annotées.
2. Mettre en place une plateforme partagée pour faciliter la surveillance de l’antibiorésistance en médecine humaine et vétérinaire, y compris les isolats environnementaux et alimentaires, afin de permettre la surveillance de la transmission intersectorielle

Depuis de nombreuses années, la communauté scientifique développe des ontologies (vocabulaires contrôlés) pour de nombreux domaines. Elles permettent de représenter l’état des connaissances, mais également d’annoter, avec des termes ayant des définitions claires et partagées, des ressources scientifiques, par exemple des gènes d’antibiorésistance. Elles permettent également i) de définir les liens logiques entre des observations et des concepts formant ainsi des bases de connaissances ii) de rendre interopérables ces multiples bases de connaissances, iii) d’automatiser la recherche d’information et les déductions logiques.

Dans un contexte de sciences plus ouverte, l’enjeu pour ABRomics est donc de mettre à disposition de la communauté, via les standards du Web Sémantique (W3C) et les ontologies de référence (i.e., Antibiotic Resistance Ontology, ARO), des (méta)données initialement hétérogène, sous la forme d’un graphe de connaissances cohérent et interopérable avec des bases de données externes.

Sujet :
La personne recrutée aura pour mission de concevoir et développer un graphe de connaissances permettant d’intégrer, et d’exposer sur le web, des (méta)données non sensibles en s’appuyant sur les ontologies de référence pour les domaines de l’antibiorésistance et des approches “One Health” plus généralement. Ce graphe de connaissances permettra de lier des observations longitudinales multi-omiques, leur contexte environnemental ainsi que des phénotypes, facilitant ainsi les travaux de modélisation qui s’appuient sur des approches “Biologie des Systèmes”. Cette ressource permettra également d’améliorer l’interopérabilité des données (principes FAIR “Findable, Accessible, Interoperable and Reusable”) et d’inscrire la plateforme ABRomics dans une démarche de sciences plus ouvertes. Le/la candidat.e sera également chargé.e de développer un ensemble de ressources (requêtes, documentation) permettant à la communauté d’explorer et de réutiliser ces nouvelles connaissances sur l’antibiorésistance.

Profil du candidat :
Master 2 ou Ingénieur en informatique ou bioinformatique.

Formation et compétences requises :
Maîtrise de la modélisation de bases de données
Maîtrise du développement logiciel, dans un environnement Linux
Maîtrise d’un langage de requêtes (SQL, noSQL)
Maîtrise d’un langage de programmation parmi Python, Java
Une expérience d’un système noSQL serait un plus
Représentation des connaissances
Méthodologies de gestion de projet
Anglais technique
Intérêt pour la Biologie (génomique)

Adresse d’emploi :
Institut du Thorax, 8 quai Moncousu, 44000 Nantes.

Document attaché : 202306301550_2023_IE_E2C45_ABRomics.pdf

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

Laboratoire/Entreprise : CRIStAL – UMR9189
Durée : 24 mois
Contact : clarisse.dhaenens@univ-lille.fr
Date limite de publication : 2023-07-21

Contexte :
En relation avec les ingénieurs du CRI, cet ingénieur aura pour mission de démocratiser l’utilisation du cluster Big Data acquis dans le cadre du CPER Data.
Pour cela, il :
– rencontrera des scientifiques non spécialistes de l’IA pour en comprendre leurs besoins
– procédera à la veille technologique sur les bibliothèques logicielles utilisées
– déploiera des outils d’IA (dans un premier temps issus des outils disponibles, dans un 2e temps, issus du WP1)
– mettra à disposition un environnement de programmation interactif connecté à une partie de l’infrastructure.

Sujet :
Déploiement d’outils d’IA sur clusters de calculs pour utilisation par non spécialistes.
2 étapes :
1. pré-identification de projets collaboratifs faisant intervenir des chercheurs en sciences du numérique et des chercheurs d’autres disciplines.
2. mise à disposition d’outils d’IA pour les non-spécialistes

https://emploi.cnrs.fr/Offres/CDD/UMR9189-CLADHA-002/Default.aspx

Profil du candidat :
Connaissance avancée en développement logiciel (langages C, C++, Python, Javascript)
Connaissance en intelligence artificielle, et notamment dans l’utilisation d’outils.
Connaissance en programmation distribuée, multi-coeurs….

Formation et compétences requises :
Niveau 7 – (Bac+5 et plus)

Adresse d’emploi :
VILLENEUVE D’ASCQ

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

Laboratoire/Entreprise : ETIS / CY Cergy Paris Université
Durée : 1 an renouvelable
Contact : dan.vodislav@u-cergy.fr
Date limite de publication : 2023-07-21

Contexte :
Ce poste est donc lié aux Bachelors internationaux « Data Science and Big Data Technology » en collaboration avec la Zhejiang University of Science and Technology (ZUST), à Hangzhou, en Chine, et « Data Science » en collaboration avec l’Université de Maurice (UoM). Le service d’enseignement sera partagé entre les deux Bachelor et d’autres enseignements au sein du département de sciences informatiques de CYU. La recherche se déroulera au sein du laboratoire ETIS.
Pour candidater, envoyer CV et lettre de motivation à dan.vodislav@cyu.fr et dimitrios.kotzinos@cyu.fr.
Date limite de candidature: 5 juillet 2023

Sujet :
Le poste est ouvert sous la forme d’un CDD initial d’un an, à partir de septembre 2023, avec la volonté de proposer par la suite une extension avec un contrat de 3 ans.
Dans le cadre des deux Bachelors, l’enseignant recruté participera à l’enseignement et au pilotage pédagogique des modules de Bachelor, au sein d’une équipe pédagogique de plusieurs enseignants et enseignants-chercheurs. L’enseignement dans les deux Bachelors se fait sur place, en Chine et à Maurice, lors de séjours de quelques semaines, avec plusieurs séjours à prévoir par an. Pour le Bachelor avec ZUST l’enseignement se fait en français, pour celui avec l’UoM l’enseignement se fait en anglais.
En recherche, l’intégration au laboratoire ETIS se fera possiblement dans l’équipe MIDI, sur des thématiques de recherche autour de l’intégration et l’analyse de grandes masses de données de divers types, s’appuyant notamment sur l’élaboration de méthodes d’apprentissage automatique pour l’analyse et la gestion de ces données.

Profil du candidat :
Voir la fiche de poste sur le site https://cytech.cyu.fr/cytech/institut-sciences-et-techniques, rubrique Recrutements

Formation et compétences requises :
Titulaire d’un doctorat en informatique, de préférence en lien avec la gestion de données, avec une expérience d’enseignement en Licence et Master en informatique.
Mobilité internationale requise.

Adresse d’emploi :
CY Cergy Paris Université
2 avenue Adolphe Chauvin
95000 Pontoise

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

Laboratoire/Entreprise : LORIA
Durée : 18 mois
Contact : hoai-diem-phuc.ngo@loria.fr
Date limite de publication : 2023-07-31

Contexte :
Le chêne est une ressource stratégique pour la France. L’industrie du bois fait face à une très forte demande d’exportation vers l’Asie. Depuis 2015, un la- bel “Transformation UE” a été créé pour permettre aux clients qui s’engagent à transformer ou faire transformer le bois à l’intérieur de l’UE d’accéder en priorité aux ressources en chêne des forêts publiques1. Dans ce contexte, la traçabilité des bois devient une nécessité. Différent systèmes d’identification ont été testés par les acteurs de la filière forêt-bois sans donner satisfaction; c’est le cas par exemple des plaquettes en plastique (avec un numéro ou code-barre imprimé) ou des puces RFID qui sont trop facilement substituables ou falsifiables. Pour résoudre ce problème de traçabilité des grumes, des méthodes alternatives à ces marqueurs physiques susceptibles d’être utilisées partout et d’identifier chaque grume individuellement doivent être développées. En se basant sur les caracté- ristiques intrinsèques des grumes, de la même façon que les empreintes digitales identifient un humain, il pourrait être simple et peu coûteux d’atteindre cet objectif.

Sujet :
La première étape consistera à comprendre et tester sur des images de chêne les algorithmes développés sur des résineux par nos collègues autrichiens.
Très rapidement, il sera nécessaire de développer des méthodes capables d’iden- tifier les grumes de chêne, peut-être en utilisant dans un premier temps toutes les singularités disponibles, puis en en interdisant certaines. Plusieurs types d’al- gorithmes pourraient être considérés, y compris des adaptations des réseaux de neurones les plus efficaces.
Pour cela, une base de 10 000 à 20 000 images de culées de chêne, actuellement

Profil du candidat :
Un doctorat, master ou diplôme d’ingénieur en informatique.

Formation et compétences requises :
De bonnes compétences en programmation (C++ et/ou Python), en analyse et traitement d’images, et en rédaction scientifique sont attendues. Une bonne connaissance des réseaux de neurones convolutifs serait appréciée.

Adresse d’emploi :
LORIA
Campus Scientifique, 615 Rue du Jardin-Botanique, 54506 Vandœuvre-lès-Nancy

Document attaché : 202306021010_post-doc_Biomtrace_fr.pdf

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

Laboratoire/Entreprise : CIRAD – UMR TETIS
Durée : 18 mois
Contact : roberto.interdonato@cirad.fr
Date limite de publication : 2023-07-31

Contexte :
La sécurité alimentaire (SA) est un problème central dans de nombreuses régions du monde, comme en témoigne sa présence parmi les 17 objectifs de développement durable (ODD 2 – Faim zéro).
Pour surveiller les situations d’insécurité alimentaire, plusieurs systèmes d’alerte précoce sont actifs aujourd’hui, tels que GIEWS (FAO) et FEWSNET (USAID).
Ces systèmes utilisent un ensemble limité de types de données, i.e., données agroclimatiques provenant d’images satellites et indicateurs extraits d’enquêtes auprès des ménages sur les facteurs nutritionnels, économiques et liés à la production. De plus, une intervention humaine est souvent nécessaire pour combiner et résumer toutes les sources d’information.

Les recherches menées précédemment par TETIS ont montré que des données ouvertes hétérogènes, liées à différents niveaux à la sécurité alimentaire, peuvent être utilisées pour développer des méthodes d’apprentissage automatique capables de produire des indicateurs de SA. L’idée est d’utiliser des données qui représentent des proxys pour les raisons multiples et interdépendantes à l’origine de ce phénomène. Quelques exemples peuvent être des rasters d’informations spatiales, information géographique bénévole, données météorologiques, indicateurs économiques et données textuelles issus des médias locaux.

Sujet :
L’objectif de ce post-doc est de consolider et d’étendre les travaux récents sur ce sujet [1], en exploitant des stratégies d’apprentissage automatique et profond de dernière génération qui peuvent faire face à des aspects critiques, tels qu’une grande hétérogénéité des données et des données de vérité de terrain limitées. Plus précisément, Le travail est structuré au tour des trois questions de recherche :

– Quels types de données en accès libre peuvent être ciblés pour produire des indicateurs de Sécurité Alimentaire ?
– Comment des données hétérogènes en termes de thématique, de structure et de résolution spatio-temporelle peuvent-elles être prétraitées pour obtenir des prédictions cohérentes de la Sécurité Alimentaire pour un site d’étude donné ?

– Comment les techniques plus récentes d’apprentissage automatique et profond peuvent-elles être exploitées et combinées pour traiter ces données hétérogènes ?

En plus de la publication d’articles de recherche originaux dans des revues scientifiques de premier plan, l’objectif de ce travail sera également de développer une suite de méthodes (p.ex., une bibliothèque Python) capables de récupérer et d’exploiter des données hétérogènes pour produire efficacement des indicateurs de SA à l’échelle nationale.
L’utilisation de données de référence fournies par le CIRAD et le CGIAR permettra de tester les méthodologies proposées dans différents pays d’Afrique et d’Asie du Sud-Est.

Le Post-Doc est financé dans le contexte de l’Institut Convergences Agriculture Numérique #DigitAg ( www.hdigitag.fr ).

Profil du candidat :
Doctorat en informatique.

La préférence sera donnée aux candidats très motivés ayant une expérience de recherche en apprentissage automatique et profond, en science des données hétérogènes et en science des données appliquée à des sujets liés à la sécurité alimentaire et à l’agriculture.

De solides compétences en programmation (de préférence en Python) sont nécessaires.

Formation et compétences requises :
Doctorat en informatique.

La préférence sera donnée aux candidats très motivés ayant une expérience de recherche en apprentissage automatique et profond, en science des données hétérogènes et en science des données appliquée à des sujets liés à la sécurité alimentaire et à l’agriculture.

De solides compétences en programmation (de préférence en Python) sont nécessaires.

Adresse d’emploi :
500 Rue Jean François Breton, 34090 Montpellier

Document attaché : 202305261434_PostDoc #DigitAg 2023 FR.pdf

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

Laboratoire/Entreprise : Laboratoire ICube, Strasbourg
Durée : 12M (possible de pro
Contact : seo@unistra.fr
Date limite de publication : 2023-07-31

Contexte :
ICube Laboratory (Le laboratoire des sciences de l’ingénieur, de l’informatique et de l’imagerie) à l’Université de Strasbourg est un centre de recherche de premier plan en informatique, avec plus de 300 chercheurs permanents, avec l’école doctorale IA récemment ouverte soutenue par le gouvernement français. Dans le cadre d’un projet binational et tri-institutionnel (Real-World Human Cognition by Care Robots for Aged People, oct. 2021 – oct. 2025), nous visons à repousser les limites actuelles de la vision robotique dans la cognition humaine par des robots soignant en situation interne. Notre objectif est de rendre les performances de la vision-intelligence robustes aux grandes variations (dans la forme du corps, les mouvements,..) à l’occlusion (tissu, meuble, mur,..), et capable de comprendre l’interaction en développant un modèle humain 4D photo-réaliste et sensible à la physique. Le projet se déroulera dans l’équipe de recherche MLMS (Machine Learning, Modélisation & Simulation), située sur le site hospitalier du laboratoire.

Sujet :
− Modèle de prédiction/génération de mouvement d’humain habillé, conditionné par l’action via un apprentissage en profondeur sur des ensembles de données de mouvement annotés.
− Reconstruction de modèle humain 4D de bout en bout à partir d’une entrée vidéo 2D/3D via un ajustement optimal du modèle

Profil du candidat :
− Doctorat en informatique, génie électronique et électrique ou en mathématiques appliquées (2020 ou plus tard).

Formation et compétences requises :
− Compétences en programmation, communication et conception d’algorithmes efficaces.
− Solides connaissances et expérience en apprentissage en profondeur.

Adresse d’emploi :
2 Rue Marie Hamm, 67000 Strasbourg

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

Laboratoire/Entreprise : Laboratoire ICube, Strasbourg
Durée : 12M (Possible de pou
Contact : seo@unistra.fr
Date limite de publication : 2023-07-31

Contexte :
ICube Laboratory (Le laboratoire des sciences de l’ingénieur, de l’informatique et de l’imagerie) à l’Université de Strasbourg est un centre de recherche de premier plan en informatique, avec plus de 300 chercheurs permanents. Dans le cadre d’un projet binational et tri-institutionnel (HuMoCar : Realistic Human Models for Care Robots for Aged People, oct. 2021 – oct. 2025) avec CNRS, INRIA et ETRI, nous visons à repousser les limites actuelles de la vision robotique dans la cognition humaine par des robots soignant en situation interne. Notre objectif spécifique est de rendre les performances de la vision-intelligence robustes aux grandes variations (dans la forme du corps, les mouvements,..) à l’occlusion (tissu, meuble, mur,..), et capable de comprendre l’interaction en développant un modèle humain 4D photo-réaliste et sensible à la physique. Le projet se déroulera dans l’équipe de recherche MLMS (Machine Learning, Modélisation & Simulation, https://mlms.icube.unistra.fr/), située sur le site hospitalier du laboratoire.

Sujet :
Développement d’un modèle prédictif/génératif pour les humains habillés en mouvement à l’aide de l’apprentissage profond sur des ensembles de données annotées. Plusieurs tâches secondaires seront définies, impliquant différentes générations conditionnelles.

Profil du candidat :
− Master en informatique, génie électronique et électrique ou en mathématiques appliquées (2020 ou plus tard).

Formation et compétences requises :
− Compétences en programmation, communication et conception d’algorithmes efficaces.
− Solides connaissances et expérience en apprentissage en profondeur.
− Maîtriser l’anglais de niveau B2.
− Aptitude au travail en équipe et en autonomie.

Adresse d’emploi :
2 Rue Marie Hamm, 67000 Strasbourg

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

Laboratoire/Entreprise : IMT Atlantique
Durée : 10 months
Contact : carlos.granero-belinchon@imt-atlantique.fr
Date limite de publication : 2023-08-01

Contexte :
Nowadays, several operational Land Surface Temperature (LST) products are available but limitations remain, notably because there is still a trade-off between spatial and temporal resolutions. Thermal sensors such as MODIS or Sentinel 3 (1km spatial resolution) provide a high revisit (daily) and ASTER or the LANDSAT series provide a low revisit with high spatial resolution (around 16 days at 90 m and 100 m). Consequently, upscaling the spatial resolution helps improving the data fusion between different sensors, the generation of LST temporal series as well as a finer-scale analysis for different applications such as the monitoring of vegetation stress, forest fires or urban heat islands among others.

A large body of research has addressed this challenge with sharpening or disaggregation methods that are based on statistical relationships between high spatial resolution products and LST at low spatial resolution (Granero-Belinchon et al. 2019). However, these statistical approaches lead to limitations such as the need of high resolution products acquired in the same area and close in time, or scale invariant hypotheses which sometimes are not adapted.

Inspired by the existing research at the interface between AI and remote sensing, new AI-models continue to appear for the processing of spaceborne images, and more precisely for super-resolution applications, notably with CNNs (Convolutional Neural Networks) and GANs (General Adversarial Networks) (Brodu et al. 2017, Gargiulo et al. 2019).

Nguyen et al. 2022 showed that important improvements are still needed to correctly adapt CNNs for LST super resolution to overcome the scale-invariance hypothesis and the blurring effect. Thus, the inclusion of a physical information can lead to better performances for LST super resolution.

Sujet :
This proposal focuses on the MODIS sensor due to the large state-of-the-art available on this mission, the dataset already processed by the involved partners and the recent studies on this sensor dealing with the super resolution of its LST previously mentioned.

Following (Brodu et al. 2017) or (Gargiulo et al. 2019), a first approach consists in combining high resolution information in the VNIR domain (NDVI for example) with coarse resolution LST to train the model for super-resolution. We call this approach Dual image super resolution (DISR). The main advantage of this approach is the direct use of high resolution information for upscaling LST.

For Single image super resolution (SISR), learning will be performed at degraded resolution. Thus for example for LST upscaling from 1 km to 250 m, training will be done from 4 km to 1 km. This strategy is commonly used when no ground truth is available at the desired resolution (in our case LST
at 250 m), see (Nguyen et al. 2022). Consequently, a scale-invariance hypothesis is assumed, i.e. the learned model from 4 km to 1 km is valid when upscaling LST from 1 km to 250 m. However, scale-invariance is not necessarily exact and so this hypothesis must be corrected. We plan to overcome it by studying the statistical evolution of LST and reflectives indices such as NDVI across the involved scales and different landscapes (a hundred of meters to several kilometers) in order to deduce physical
laws allowing us to correct the scale invariance hypothesis of current AI super resolution methods in remote sensing. For doing so, LANDSAT 9 or ASTER data will be used.

Profil du candidat :
Candidates are expected to have a PhD in Deep Learning/Machine learning with strong experience in Neural Networks. Ideally, the candidate will have previous experience in remote sensing and would have shown strong interest on these topics during her/his PhD or previous postdocs.

Formation et compétences requises :
Good skills in python, pytorch, pytorch lightning are also required, as well as a background in teamwork. Previous experience in a multidisciplinary research team will also be considered as positive.

Adresse d’emploi :
The Postdoc will work in collaboration with Carlos Granero-Belinchon and Lucas Drumetz from IMT Atlantique, Aurélie Michel and Xavier Briottet from Onera Toulouse, Thomas Corpetti from CNRS and Julien Michel from CNES. Thus, the research team is composed by physicist, and researchers on artificial intelligence, signal and image processing and remote sensing from different laboratories, leading to a multidisciplinary project. Moreover, the postdoc will develop within the OSE research team at IMT (https://cia-oceanix.github.io/) which is a dynamic research group on image processing
and artificial intelligence for the study of the environment.

The post-doctoral position is a one-year full-time appointment starting during 2023. Gross salary will depend on the experience of the candidate, up to approx. 35,000 €/year. The candidate will also benefit from French social insurance, and will have up to 45 days of annual leave. The candidate will be able to benefit up to 90 days of remote working per year.

The candidate will be based at the IMT Atlantique Campus (Brest) in a dynamic and stimulating working environment at five minutes walking from the beach.

Within the framework of the ANR Chair OCEANIX the postdoc will have access to compute servers : Datarmor and servers from OSE at IMT Atlantique.

Teaching activities at IMT Atlantique will also be proposed to the postdoc, mainly in signal processing, computer vision and artificial intelligence. These actvities, which imply an additional salary, will not be mandatory.

Motivated candidates should send a CV and a motivation letter to: carlos.granero-belinchon@imt-atlantique.fr.

The Postdoc is expected to start in 2023.

Document attaché : 202303270947_IR_CNES_TOSCA.pdf

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

Laboratoire/Entreprise : AgroParisTech – ICube
Durée : 12 à 16 mois
Contact : gancarski@unistra.fr
Date limite de publication : 2023-08-31

Contexte :

Durée : Un an (démarrage dès que possible!)
Salaire : de 2000€/mois à 2300€/mois (net) en fonction de l’expérience.
Contact : Antoine Cornuéjols antoine.cornuejols@agroparistech.fr et Pierre Gançarski, pierre.gancarski@unistra.fr

Sujet :
Le projet post-doctoral vise à proposer une méthode innovante d’apprentissage collaboratif interactif multi-paradigme, qui combine des méthodes supervisées et non-supervisées tout en permettant l’interaction avec l’expert.

La personne recrutée proposera et définira de nouveaux mécanismes permettant aux méthodes supervisées et non supervisées de collaborer efficacement pour atteindre un consensus de classification. Les modalités d’échange d’informations entre elles devront être précisées. Elle devra également définir un protocole d’interaction entre l’utilisateur et les méthodes d’apprentissage par l’utilisation de contraintes. Enfin,elle devra mettre en œuvre concrètement les approches proposées pour permettre leur test et leur validation.

Profil du candidat :
– Doctorat en informatique et spécialisé en apprentissage automatique/fouille de données.

Formation et compétences requises :
– Connaissances solides en Science des Données et plus particulièrement sur les méthodes standards de classification et de clustering. Une première expérience sur l’utilisation de modèles collaboratifs/ensemblistes ou d’intégration de contraintes serait un plus.
– Bonnes compétences en communication verbale (anglais ou français) et écrite (anglais).
– Compétences interpersonnelles et la capacité à travailler individuellement ou en tant que membre d’une équipe de projet.
– Si possible, connaissance en JAVA, python et scikit-lean
– De connaissances en télédétection serait un plus indéniable

Adresse d’emploi :
– Saclay (Campus d’AgroParisTech, 22 place de l’Agronomie, 91120 Palaiseau)
ou au choix
– Strasbourg (ICube, 300 bld Sébastien Brant 37400 Illkirch)

Document attaché : 202305300842_Sujet_HERELLES_2023.pdf

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

Laboratoire/Entreprise : L@bISEN / GENERIX
Durée : 12 months
Contact : benoit.lardeux@isen-ouest.yncrea.fr
Date limite de publication : 2023-08-31

Contexte :
Dans le cadre d’une chaire avec le groupe Generix, Yncréa Ouest est à la recherche d’un(e) post-doctorant(e)
dans le domaine de l’intelligence artificielle. Le(a) candidat(e) consolidera les actuelles compétences de
l’équipe de recherche multisite « UF : Usine du Futur » et sera amené(e) à développer les activités de
recherche en lien avec ces domaines sur le site de Nantes en collaboration étroite avec les autres sites de
l’Yncréa Ouest.

Sujet :
L’entreprise Generix est spécialisée dans la conception de solutions informatiques pour la gestion des entrepôts de leurs clients qui sont eux-mêmes des entreprises distribuant des quantités conséquentes de produits à vendre. L’une des fonctions principales de l’entrepôt est de stocker la quantité nécessaire de chacun des produits afin de pouvoir satisfaire les demandes des clients avec le volume suffisant de ces
produits. Le stockage a par ailleurs un coût pour l’entreprise qui gère l’entrepôt. Il y a le coût d’immobilisation d’actifs, le coût lié à l’espace utilisé par les stocks et le coût relatif au personnel employé pour gérer l’entreposage des produits. Il est donc nécessaire de minimiser les stocks tout en étant capable d’assurer les variations des demandes des clients. Grâce aux outils mis en place par Generix, la prévision de la demande
est automatisée. Cependant les contraintes du quotidien des entreprises de distribution produisent des
variations de la demande réelle observée par rapport à la demande prévue. Dans le cadre de cette activité de recherche, l’objectif est d’étudier et de mettre en place une solution informatique permettant de fournir des recommandations précises ajustées en temps réel des niveaux de stocks dans l’entrepôt.

La première étape de ce projet consiste en l’étude de la littérature scientifique récente sur le sujet présenté
ci-dessus. L’étape suivante concerne la modélisation du problème en termes de programme mathématique d’optimisation. Ce modèle doit prendre en considération l’ensemble des éléments importants du problème
permettant de calculer une solution implémentable au sein de l’entrepôt à moindre coût. Plusieurs approches de résolution de ce problème seront étudiées. Dans un premier temps, il sera nécessaire de définir une méthode exacte qui aura pour objectif de calculer la solution optimale sur de petites instances du
problème. A ce stade de l’étude, on peut imaginer l’utilisation de méthodes arborescentes de recherche de solutions (branch-and-cut par exemple) qui sont utilisées pour la résolution de problèmes combinatoires. Cette méthode exacte nous permettra d’évaluer la pertinence des méthodes approchées qui devront
également être proposées, programmées et évaluées dans le cadre de ce postdoc. Plusieurs axes de recherche peuvent être envisagés concernant les méthodes de résolution approchées. Il peut être intéressant d’investiguer la résolution par métaheuristique (algorithme génétique, recuit-simulé …) ou par
méthode de décomposition (Benders, Dantzig-Wolf). Cependant il nous semble particulièrement intéressant d’essayer les méthodes de résolution par apprentissage profond et/ou par renforcement qui permettraient de trouver des solutions de qualité malgré les incertitudes liées à l’évolution de l’environnement. Finalement, la conception d’un prototype pouvant être testé sur des instances de problèmes réelles est attendue, tout comme la ou les communications scientifiques de qualité en lien avec le sujet.

Dans le cadre de ce projet, le post-doctorant pourra utiliser l’infrastructure informatique du L@bISEN mise en place pour entraîner les réseaux de neurones profonds. Celle-ci est constituée de serveurs GPU et d’unités de stockage dédiées.

Profil du candidat :
Yncréa Ouest recherche un(e) post-doctorant(e) ayant une formation/expérience en recherche opérationnelle / intelligence artificielle avec un fort intérêt pour les problématiques de l’usine du futur.

Le poste est à pourvoir en contrat à durée déterminée (CDD) de 12 mois. Il est localisé à Nantes. Le salaire est à convenir selon expérience.

Formation et compétences requises :
Compétences requises :

– Modélisation et résolution de programmes linéaires en nombres entiers
– Maîtrise et pratique des méta-heuristiques et algorithmes d’apprentissages
– Maîtrise de python, avec connaissance des librairies de deep-learning (Pytorch, Tensorflow, …)
– Aptitude à travailler en équipe
– Autonomie et rigueur organisationnelle
– Anglais : lu et écrit

Adresse d’emploi :
ISEN YNCREA OUEST site de Nantes

33 Quater Avenue du Champ de Manoeuvre, 44470 CARQUEFOU

Document attaché : 202306260846_postdoc_ISEN_UF.pdf

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

Laboratoire/Entreprise : LIRIS
Durée : 2 years
Contact : remy.cazabet@univ-lyon1.fr
Date limite de publication : 2023-08-31

Contexte :
http://cazabetremy.fr/resources/Stablenet-postdoc%20position.pdf

Sujet :
http://cazabetremy.fr/resources/Stablenet-postdoc%20position.pdf

Profil du candidat :
Doctorat en Science des réseaux, informatique ou autre domaine pertinent

Formation et compétences requises :
Data Mining, Machine Learning, Données dynamiques…

Adresse d’emploi :
Université Lyon 1, Lyon, France

Document attaché : 202307081419_stablenet-postdoc position.pdf

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

Laboratoire/Entreprise : ENSTA Bretagne Lab-STICC UMR CNRS 6285
Durée : 24 mois
Contact : jean-christophe.cexus@ensta-bretagne.fr
Date limite de publication : 2023-08-31

Contexte :
Cette étude s’insère dans le cadre de la caractérisation et la description fine d’une cible mobile pour des applications de détection, de localisation et de suivi de petites cibles dans le domaine Radar.
Plus précisément, en combinant les aspects physiques et des méthodes de traitement du signal, il s’agit de développer une méthodologie permettant, dans une problématique de reconnaissance, de prendre en compte et d’exploiter les déformations des objets mobiles (comme le fait, par exemple, les pales d’un hélicoptère produisent des ‘flashs’ très localisés en temps et en fréquence).

Salaire : entre 1820 € et 2008 € net mensuel selon expérience
Date de début : le plus tôt possible
Durée du contrat : 24 mois

Candidature
Envoyer un CV, une lettre de motivation et recommandations(s) à :
– ali.khenchaf@ensta-bretagne.fr
– jean-christophe.cexus@ensta-bretagne.fr

Sujet :
Dans un premier temps, il s’agit de poursuivre l’étude bibliographique sur la problématique indiquée ci-dessus. En particulier, lors d’une liaison d’observation fonctionnant pour une fréquence donnée, il est utile d’analyser les phénomènes mis en jeux lors de l’interaction des ondes émises avec une cible (fixe ou en mouvement ou dont certaines parties sont en mouvement) présente dans la zone d’intérêt. En s’appuyant sur les références disponibles en interne et/ou dans la littérature ouverte, il s’agit de poursuivre le panorama de certaines méthodes utilisées dans la modélisation, l’analyse et le traitement des spécificités d’une cible en mouvement présentant des éventuelles déformations observée par un capteur radar spécifique (fréquence, portée, géométrie d’observation, polarisation, …).
Dans un deuxième temps, il s’agit de poursuivre le développement de méthodes retenues dans la phase de recherche précédente. La mise en pratique des techniques retenues sera effectuée dans le contexte de la télédétection radar. Pour mieux cerner les variations de la signature de la cible en fonction de différents paramètres liés à la cible ou au capteur, un premier traitement sera consacré à une cible isolée. Ensuite, la méthodologie développée sera dédiée au cas d’une cible (ou plusieurs) présente dans un environnement contraint. Enfin, il sera question d’analyser l’apport de la prise en compte des différents phénomènes mis en jeux dans un contexte d’amélioration de la reconnaissance de cibles mobiles déformables non-coopératives.
Mots clés
Propagation des ondes EM, signatures EM, cibles fluctuantes, méthodes (asymptotiques, exactes, …), micro-doppler, méthodes temps-fréquence, détection, suivi, reconnaissance, identification.

Profil du candidat :
Ce poste est ouvert aux titulaires d’un diplôme d’ingénieur ou d’une thèse de doctorat dans l’un des domaines indiqués dans les objectifs.

Formation et compétences requises :
les compétences ci-dessous seront appréciées :
• Propagation et interactions des ondes électromagnétiques avec des objets
• Calcul et simulation scientifique
• Traitement du signal
• Facilités en programmation informatique : Matlab, Python, …
Des connaissances dans le domaine de traitement de données, du Machine Learning seraient un plus.

Adresse d’emploi :
ENSTA Bretagne, 2 Rue François Verny, 29806 Brest Cedex 09

Localisation du poste
Le poste est localisé à l’ENSTA Bretagne au sein du département STIC. Celui-ci compte une centaine de personnes dont une quarantaine de permanents. Les thématiques d’enseignements se retrouvent principalement dans les spécialités des systèmes d’observation (acoustique, électromagnétique, …), hydrographie, la robotique, l’intelligence artificielle, la modélisation logicielle et la sécurité des systèmes (cyberdéfense). Les enseignants-chercheurs du département sont, pour la grande majorité, membres du Lab-STICC (Laboratoire des Sciences et Techniques de l’Information, de la Communication et de la Connaissance, UMR CNRS 6285) dont l’ENSTA Bretagne est tutelle. Le laboratoire structure la recherche « des capteurs à la connaissance » en Bretagne océane et regroupe plus de 500 personnes dont 220 chercheurs du CNRS ou des établissements ENIB, ENSTA Bretagne, IMT Atlantique, UBO et UBS.

Document attaché : 202305110903_Fiche_Poste_Radar_VF.pdf

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

Laboratoire/Entreprise : Lab-STICC / ENSTA Bretagne
Durée : 1 an
Contact : cazaudorian@outlook.fr
Date limite de publication : 2023-09-01

Contexte :
L’ENSTA Bretagne est une école nationale supérieure d’ingénieurs à vocation pluridisciplinaire et centre de recherche. L’équipe SISO (Signal Image pour les Systèmes d’Observation, Lab-STICC UMR 6285) a, entre autres, pour thématique l’acoustique sous-marine passive appliquée à la veille environnementale, et plus particulièrement aux mammifères marins. Le suivi par acoustique passive est une technique qui consiste à enregistrer de façon discrète le paysage sonore sous-marin à l’aide d’un hydrophone et d’en extraire les sons émis par les cétacés. Ces signaux sonores propres aux espèces ou groupes d’espèces sont alors analysés pour étudier la présence des animaux dans la zone d’étude. 
Le projet collaboratif OSmOSE (Open Science meets Ocean Sound Explorers – Nguyen Hong Duc et al 2021, Torterotot et al 2020, Torterotot et 2022, Beesau & Samaran 2021), mis en place depuis 2018 par des chercheurs de l’ENSTA Bretagne, travaille à la mise en place d’un workflow de traitement de la donnée acoustique passive sur DATARMOR, le pôle de calcul et de données pour la mer géré par Ifremer. Ce workflow composé d’une suite d’outils de traitement a pour objectif de simplifier et de standardiser l’analyse et le traitement de données d’acoustique passive. 

Sujet :
voir pdf joint

Profil du candidat :
voir pdf joint

Formation et compétences requises :
Maitrise du langage Python
Forte expérience en machine learning et en traitement de la donnée audio
Maitrise des bonnes pratiques en informatique (Github, test unitaire, programmation orientée objet, documentation de code…)
Sensibilité aux causes environnementales

Adresse d’emploi :
ENSTA Bretagne, Brest

Document attaché : 202304241030_Fiche_poste_Ingenieur_Info_ML_2023.pdf

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

Laboratoire/Entreprise : CIRAD, Equipe Phenomen
Durée : 3 years
Contact : romain.fernandez@cirad.fr
Date limite de publication : 2023-09-07

Contexte :
Our research aims to develop imaging approaches for non-destructive detection and diagnosis of grapevine trunk diseases (Vitis vinifera L.). Protocols [1] and methods [2][3] for 3D imaging and analysis of trunks under controlled conditions (i.e., laboratory) have already been developed in our lab. We now aim to transfer this non-destructive diagnosis directly into the field, using a portable device that can be used to detect and quantify these diseases. This transfer involves the development of novel solutions for data analysis (project “Scan Me If You Can”, 2023-2026). For this purpose, we seek a highly motivated and initiative-taking candidate qualified to conceive innovative image analysis pipelines.

[1] R Fernandez, L Le Cunff, S Mérigeaud, et.al. Beyond the foliage: Using non-destructive multimodal 3D imaging and AI to phenotype and diagnose trunk diseases. BioRxiv preprint (2022)
https://doi.org/10.1101/2022.06.09.495457

[2] R Fernandez, and C Moisy, Fijiyama: a registration tool for 3D multimodal time-lapse imaging, Bioinformatics, Volume 37, Issue 10, 15 May 2021, Pages 1482–1484, https://doi.org/10.1093/bioinformatics/btaa846

[3] R Fernandez and C Moisy. FijiRelax: Fast and noise-corrected estimation of MRI relaxation maps in 3D+ t. Journal of Open Source Software. 2023 Jan 30;8(81):4981.

Sujet :
Your mission will be to scale up different approaches to work across two work streams.

* Whole plant 3D+t reconstruction and segmentation from multi-angle X-ray images: You will be in charge of retrofitting models to allow the deployment of these solutions in the field, on a larger scale, and for
temporal monitoring of tissue condition. To estimate the degradation present in the plant and their progression over time, you will design solutions for image analysis and 3D+t reconstruction applicable to
2D images collected in situ on living plants.

* 3D+t characterization of degradation by MRI monitoring under controlled conditions: You will build upon the developments of Fijiyama [1] and FijiRelax [3] plugins to analyze a large set of MRI data collected
during the dynamic monitoring of living vines inoculated with fungal pathogens. You will design pipelines to study the host-pathogen interaction in 3D+t; and develop tools for the comparison of grapevine varieties tolerance, and pathogen aggressiveness.

Profil du candidat :
– Interpersonal skills and ability to work with multiple stakeholders.
– Autonomy in programming and image processing.
– Organizational skills and rigor.
– Adaptability and reactivity.
– Ability to synthesize and pedagogy (interactions with non-specialists in image processing).
– Scientific English.
– Driving license.

Formation et compétences requises :
* Titles/Diplomas: PhD or M.Sc. in computer science, mathematical modeling, image analysis, with a demonstrated capacity for publication in image analysis and/or design of solutions.

* Advanced skills in:
– Image Analysis (3D reconstruction, segmentation).
– Programming (Java and Python).
– Machine Learning (scikit-learn, …) and Deep Learning (TF / Pytorch, …).
– 2D/3D image processing and visualization (Fiji, Napari, VTK, …).

* Optional:
– Basic knowledge in 3D imagery (X-rays tomography, MRI);
– plant biology and anatomy; and/or pathogens.
– French speaking.

Adresse d’emploi :
The selected candidate will work in interaction with two research teams located in Montpellier, France (at
Campus Lavalette, 389 Av. Agropolis, 34980 Montferrier-sur-Lez, France). The team “GénoVigne”, IFV
(French Institute for Vine and wine, www.vignevin.com), is specialized in grapevine genetics and diseases.
The team “Phenomen”, CIRAD (French Agricultural Research Centre for International Development), is
specialized in mathematics and computer science for plant modeling. The candidate will also interact with
several scientific and technical partners, including INRAE, Montpellier University, CIVC Champagne and
BIVB Bourgogne, as well as imaging platforms.
Remuneration: between 2.4 and 2.6KEUR, raw, monthly, depending on qualification.
Advantages: meal vouchers, paid holidays, and Health Mutual.

Document attaché : 202307050732_2023-06_Offre CDD_projet_SMYIC – pour diffusion.pdf