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

Laboratoire/Entreprise : DVRC / Pôle Léonard de Vinci
Durée : 5 mois
Contact : sonia.djebali@devinci.fr
Date limite de publication : 2021-02-15

Contexte :
La compréhension du comportement et de la mobilité touristique requiert de prendre en compte les informations sur les lieux visités, les données sur le touriste ainsi que leurs interactions. Il est possible de représenter les interactions intrinsèques entre les lieux par un graphe. Un graphe représente un groupe de touristes selon un paramètre donné, par exemple la nationalité. Le laboratoire DVRC est spécialisé dans l’analyse de comportement touristique et a développé des études sur la circulation des touristes sur le territoire grâce à des représentations sous forme de graphes [1, 2]. Toutefois, les graphes générés demandent une analyse encore plus fine avec l’extraction de caractéristiques communes entre ces graphes.
Afin d’extraire des caractéristiques identiques entre groupes, il est nécessaire de se focaliser sur les similitudes entre les deux graphes. Leur comparaison se fait par une application mathématique appelée isomorphisme. Historiquement, pour prouver l’isomorphisme entre deux graphes, il convient de comparer leur matrice d’adjacence, à condition d’avoir le même nombre de sommets et le même nombre d’arêtes [3].
Cependant, la comparaison de deux graphes contenant de nombreux sommets, ou de tailles différentes requiert donc une autre méthodologie. L’isomorphisme de deux graphes peut être effectué sur les composantes fortement connexes de ces graphes [4]. Une autre approche serait de réduire un des deux graphes dans le deuxième [5]. Dans cette dernière approche, l’isomorphisme fait appel à un mapping entre les deux graphes. Dans ces deux approches, il est envisageable d’utiliser l’isomorphisme de matrices.
D’autre part, les graphes manipulés dans le contexte de la circulation touristique sont variables et peuvent devenir conséquents, surtout en nombre d’arêtes. Il est donc nécessaire que cette méthode soit améliorée afin d’être efficace sur des matrices de grande taille, et possiblement non symétrique dans le cadre d’un graphe orienté. Une approche de stockage reposant sur une base de données orientée graphe, telle que Néo4j1 permet de gérer l’accès aux données et faciliter la gestion des ressources pour de telles manipulations.

Sujet :
L’objectif du stage est d’effectuer un état de l’art sur la problématique de l’isomorphisme de graphe, de similarité de sous-composantes et de mapping de graphe. Une méthodologie pour comparer de graphes de structures différentes devra être établie avec une complexité en temps et en mémoire moindre. L’étudiant devra donc :
• Développer un état de l’art sur l’isomorphisme de graphe et d’étudier les spécificités du contexte de graphes de circulation touristique ;
• Intégrer une approche de la littérature dans la base de données orientée graphe Neo4j utilisé dans ce contexte ;
• Proposer une nouvelle méthodologie de comparaison de graphes capable de passer à l’échelle

Profil du candidat :
Étudiante ou étudiant de niveau M2 en informatique (Master ou école d’ingénieurs).

Formation et compétences requises :
Les candidat.e.s sont invité.e.s à nous envoyer un mail à sonia.djebali@devinci.fr avec : CV indiquant leurs expériences et compétences
Une lettre de motivation
Les bulletins de notes des deux dernières années.

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 : 202101061625_SUJET_ISOMORPHISME.pdf

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

Laboratoire/Entreprise : MaIAGE
Durée : 6 mois
Contact : claire.nedellec@inrae.fr
Date limite de publication : 2021-02-15

Contexte :
Stage de recherche master de 5 ou 6 mois.

Dans les sciences expérimentales, les informations et connaissances du domaine sont décrites de différentes manières, e.g. en langue naturelle dans des publications scientifiques, et sous forme structurée dans des bases de données publiques ou privées.
L’origine des informations est une source de diversité. Les informations d’observations expérimentales sont précises et localisées, généralement numériques. L’extraction d’information à partir de textes (text mining) produit des informations de portée plus générale et de type qualitatif.
Leur annotation (ou indexation) par des ontologies facilite leur interrogation, leur accès et leur réutilisation [5,6]. Les modèles de représentations du web sémantique sont en effet adaptés à la gestion de très grands nombres d’observations ou de résultats expérimentaux décrits par des caractéristiques très variées.
Dans le domaine des sciences de la vie et de l’agriculture, la production de ces informations est coûteuse. Compléter ces données et produire des hypothèses réalistes par des moyens automatiques à partir de ces données est un enjeu majeur de ce domaine. L’indexation des données et des textes par des ontologies permet d’inférer de nouvelles informations. Le principe consiste à appliquer aux informations connues (observations, exemples) des règles du domaine, représentées dans un formalisme logique. Les inférences déductives sont les plus utilisées, puisque les assertions obtenues sont valides (par exemple, un canari est un oiseau). Les inférences non déductives, telles que l’induction, l’abduction ou l’analogie sont très intéressantes parce que les nouvelles assertions peuvent permettre d’enrichir considérablement les bases de connaissances, mais leur validité est conditionnée par la représentation des connaissances du domaine.
Ce stage s’inscrit dans le cadre du projet ANR D2KAB qui vise à créer une plateforme pour transformer des données en agronomie et biodiversité en connaissances – décrites de manière systématique, interopérables, exploitables, ouvertes – et étudier les méthodes et outils scientifiques permettant d’exploiter ces connaissances pour des applications en science et en agriculture.

Sujet :
Objectif
—–

L’objectif du stage est de proposer une représentation formelle pour les connaissances du domaine et une méthode de raisonnement qui permette de déduire de nouvelles connaissances pour enrichir les bases de données.
Par exemple, on souhaite inférer dans la base Florilège, de nouvelles propriétés des microbes à partir de leurs habitats et des propriétés d’autres microbes.
Exemple : L’ontologie OntoBiotope définit la température interne du corps humain comme moyenne, et l’intestin comme faisant partie du corps humain. La littérature scientifique indique que la bactérie E. Coli vit dans l’intestin humain. On voudrait déduire de ces connaissances que la bactérie E. Coli peut vivre à température moyenne, elle est mesophile. On sait qu’une bactérie ne peut pas être à la fois thermophile (aimer le très chaud) et cryophile (aimer le très froid). On voudrait que les connaissances déduites respectent ces contraintes.
Comme dans cet exemple, on voudrait trouver et représenter des règles générales qui déduisent les phénotypes des organismes en fonction des propriétés connues des organismes et de leur environnment. On voudra aussi représenter des contraintes pour vérifier que les inférences sont cohérentes avec ces contraintes.
Les étapes du travail seront les suivantes :
• Étude bibliographique du raisonnement dans les ontologies et les données liées et comparaison des meilleures alternatives.
• Proposition d’une représentation formelle pour les connaissances de l’exemple Florilège et adaptable à d’autres sujets similaires (e.g. phénotypes du blé tendre)
• Proposition d’une représentation des contraintes et de leur vérification
• Réalisation d’une implémentation et évaluation expérimentale.
Les résultats feront l’objet d’une exploitation dans les bases de données des domaines expérimentaux considérés.

Méthodes, données et logiciels
——-

Dans le cadre du stage, deux ensembles de données et ontologies d’INRAE seront considérés.
– La base publique Florilège (http://migale.jouy.inra.fr/Florilege/#&welcome) intègre des informations sur les microbes, leurs habitats et leurs phénotypes (leurs caractéristiques) provenant de la bibliographie et de bases de données biologiques. Ces informations sont indexées automatiquement par l’ontologie OntoBiotope (http://agroportal.lirmm.fr/ontologies/ONTOBIOTOPE/) et la taxinomie des espèces du NCBI (https://www.ncbi.nlm.nih.gov/taxonomy) [1].
– La base SamBlé intègre des informations sur les variétés de blé, leurs phénotypes et leurs traits provenant de la bibliographie et d’observations, indexées par l’ontologie WTO [5,7].
L’équipe Wimmics développe des modèles et outils basés sur les formalismes du web sémantique qui permettent de modéliser et de raisonner sur les ontologies et les données liées [4]. En particulier, le moteur Corese (https://project.inria.fr/corese/) permet (1) d’inférer de nouvelles connaissances à partir de sources de données RDF, en exploitant la sémantique de ces données capturée dans des vocabulaires RDFS, OWL ou SKOS ou des bases de règles d’inférence SPIN, (2) d’interroger ces données RDF en tenant compte de leur sémantique, (3) de vérifier la conformité des données par rapport à des contraintes exprimées en SHACL, et plus généralement (4) de traiter et visualiser des données RDF avec les langages LDScript [2] et STTL [3].

Références
———-

1. Estelle Chaix, Louise Deléger, Robert Bossy, Claire Nédellec. Text mining tools for extracting information about microbial biodiversity in food. Food Microbiology, 2019. https://doi.org/10.1016/j.fm.2018.04.011
2. Olivier Corby, Catherine Faron Zucker, Fabien Gandon. LDScript: a Linked Data Script Language. International Semantic Web Conference, Oct 2017, Vienne, Austria.
3. Olivier Corby, Catherine Faron Zucker. STTL: A SPARQL-based Transformation Language for RDF. 11th International Conference on Web Information Systems and Technologies, May 2015, Lisbon, Portugal.
4. Oumy Seye, Catherine Faron Zucker, Olivier Corby, Alban Gaignard. Publication, partage et réutilisation de règles sur le Web de données. 25èmes Journées francophones d’Ingénierie des Connaissances, May 2014, Clermont-Ferrand, France.
5. Claire Nédellec, Liliana Ibanescu, Robert Bossy, Pierre Sourdille. WTO, an ontology for wheat traits and phenotypes in scientific publications. 18(2) Genomics & Informatics. 2020. doi: 10.5808/GI.2020.18.2.e1461.
6. Claire Nédellec, Robert Bossy, Estelle Chaix, Louise Deléger. Text-mining and ontologies: new approaches to knowledge discovery of microbial diversity. In Proceedings of the 4th International Microbial Diversity Conference. pp. 221-227, ed. Marco Gobetti. Bari, October 2017. arXiv:1805.04107
7. Claire Nédellec, Robert Bossy, Dialekti Valsamou, Marion Ranoux, Wiktoria Golik, Pierre Sourdille. Information Extraction from Bibliography for Marker Assisted Selection in Wheat. In proceedings of the 8th Metadata and Semantics Research Conference (MTSR’14), Springer Communications in Computer and Information Science, Series Volume 478, Karlsruhe, pp 301-313, Allemagne, 2014. DOI: 10.1007/978-3-319-13674-5_28. https://hal.archives-ouvertes.fr/hal-01132767v1

Profil du candidat :
Etudiant en Master 2/5ième année ingénieur en informatique/IA

Formation et compétences requises :
Le français et l’anglais sont les langues de travail.

Adresse d’emploi :
MaIAGE, INRAE, Université Paris-Saclay, Domaine de Vilvert, 78352 Jouy-en-Josas

Début: Février/Mars 2021
Financement par le projet ANR D2KAB
Gratification: selon les règles en vigueur (environ 600 euros par mois).
Candidature : CV, lettre de motivation et relevés de notes (licence et Master)
A envoyer à : claire.nedellec@inrae.fr, faron@i3s.unice.fr, liliana.ibanescu@agroparistech.fr

Ce stage sera réalisé dans le cadre d’une collaboration entre l’équipe Wimmics commune à Inria et I3S et deux équipes de deux unités INRAE et Université Paris-Saclay, l’équipe Bibliome de l’unité MaIAGE et l’équipe Ekinocs de l’unité MIA-Paris.

Encadrement :
• Claire Nédellec, équipe Bibliome, INRAE, Université Paris-Saclay, https://maiage.inrae.fr/fr/bibliome
• Catherine Faron, équipe Wimmics, Université Côte d’Azur, Inria, I3S https://team.inria.fr/wimmics/
• Liliana Ibanescu, équipe Ekinocs, MIA-Paris, INRAE AgroParisTech, Université Paris-Saclay https://www6.inrae.fr/mia-paris/Equipes/EkINocs

Document attaché : 202012151011_Stage_M2_2021-inference Inrae-Agro-Inria.pdf

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

Laboratoire/Entreprise : TSCF, INRAE
Durée : 6 mois
Contact : sandro.bimonte@irstea.fr
Date limite de publication : 2021-02-22

Contexte :
Nowadays, more and more trajectory data is collected from new acquisition systems (smartphones, vehicles, etc.). A trajectory is described by temporal and spatial data, and it is accompanied by contextual data (such as field, markets, meteo, etc.). Then, we can consider trajectory data as Big Data presenting 3Vs features: Velocity, Variety and Volume. In particular in the context of the I-Site CAP2025 SupeRob project that aims to provide an information system for the planning and monitoring of autonomous robots planning in the agricultural context a big data set of trajectory data is generated.

Sujet :
Recent approaches adopt multimodel databases (MMDBs) to natively handle the variety and volume issues arising from the increasing amounts of heterogeneous data (structured, semi-structured, graph based, etc.) made available. However, when it comes to analyzing these data, traditional data Warehouses (DWs) and OLAP systems fall short because they rely on relational DBMSs for storage and querying, thus constraining data variety into the rigidity of a structured schema. DW and OLAP systems allow the online analysis of huge datasets with simple and userfriendly user interfaces.
This project will provide a preliminary investigation of the performance of MMDBs when used to store multidimensional trajectory Big Data for OLAP analysis. The proposals will be applied to data generated in the context of the SupeRob project to handle robots experts to visually analyze their datasets.

Profil du candidat :
Student with skills in Business Intelligence

Formation et compétences requises :
Excelllent skills in databases
Good skills in Data Warehouse
Skills in spatial data

Adresse d’emploi :
INRAE
9 Avenue Blaise Pascal, Aubiere (Clermont Ferrand)

Document attaché : 202011291300_dossier-m2.pdf

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

Laboratoire/Entreprise : XLIM, université de Poitiers
Durée : 5/6 mois
Contact : olfa.ben.ahmed@univ-poitiers.fr
Date limite de publication : 2021-02-22

Contexte :
De très nombreuses recherches ont permis d’objectiver l’existence d’une équivalence
fonctionnelle entre la production et la perception des mouvements biologiques [1]. En lien avec
ces données, des chercheurs se sont intéressés à l’observation d’action comme technique
d’apprentissage ou de rééducation de comportements moteurs. Afin d’analyser précisément les
mécanismes mis en jeu dans l’observation d’action, une des approches utilisées consiste à
présenter les actions sous la forme d’une séquence animée de points représentant les
articulations d’une personne en mouvement (Technique du point-light display) [2][3]. Cependant,
les techniques utilisées pour réaliser ces séquences (utilisation d’une vingtaine de caméras infrarouge et de marqueurs placés sur le corps des participants, Vicon, Qualisis) sont parfois difficiles
à mettre en œuvre dans le cadre de la rééducation ou de l’entraînement sportif. Il serait donc
important de développer des techniques alternatives plus intelligentes.

Sujet :

Le sujet de stage consiste à développer un module capable de présenter une action humaine
sous forme de séquences animées de points en utilisant des techniques de vision par ordinateur
et d’apprentissage automatique [4]. L’objectif de ce stage sera de proposer un algorithme basé
sur les réseaux de neurones convolutifs (CNN) pour la détection de la posture humaine, la
détection des points d’intérêt qui présentent les articulateurs du corps humain. En outre, il sera
indispensable de disposer des coordonnées en 3D (X, Y, Z) de chaque articulation d’intérêt (tête,
épaules, coudes, poignets, hanches, genoux, chevilles par exemple) au cours du temps. Les
questions de lissage du signal devront également être prise en compte pour la création des
séquences animés des points. Finalement, les points détectés présenteront le mouvement de ces
articulations sous forme d’une séquence des marqueurs blancs sur un arrière plan noir, c’est le
principe des PLD. Le module développé serait intégré dans le logiciel PLAVIMOP [2] afin d’être
utilisé dans des protocoles d’apprentissage, de rééducation ou d’optimisation du comportement.
Les séquences de PLD ainsi créées seront comparées d’un point de vue biomécanique avec des
séquences réalisées par motion capture (vérité terrain) grâce aux techniques classiques de
capture du mouvement.

Profil du candidat :
Formation Master 2 ou Ecole d’Ingénieur. Traitement d’image, Machine Learning (Deep Learning), Vision par ordinateur
Programmation Python (Tensorflow et/ou Pytorch)

Formation et compétences requises :
.

Adresse d’emploi :
Laboratoire XLIM, site de Futuroscope, université de Poitiers

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

Laboratoire/Entreprise : SISYPH team, Laboratoire de Physique de l’ENS Lyo
Durée : 4-6 mois
Contact : nelly.pustelnik@ens-lyon.fr
Date limite de publication : 2021-02-26

Contexte :
Radio frequency identification (RFID) technologies, which allow wireless detection of individual buried or immersed tracers, represent a step forward in sediment tracking, especially passive integrated transponders (PIT tags) that have been widely used. Despite their widespread adoption in the scientific community, they typically have low efficiency when deployed in river systems with active bedload transport or deep wet channels, attributed to their technical specifications. A recent evaluation of active ultra-high frequency transponders (a-UHF tags) assessed their larger detection range and provided a methodology for their geopositioning. In [1], M. Cassel and collaborators tested different survey methods (one including an unmanned aerial vehicle) and compare them in terms of recovery rate.
On the other hand compressed sensing offers a theoretical framework to recover sparse data (i.e. the immersed tracers location in the context of this internship) from partial measures. Among the numerous applications in image processing, magnetic resonance imaging (MRI) is probably one of the most successful application fields of compressed sensing as in [2] where the authors tackle the question that “given a set of sampling constraints (e.g., measuring along physically plausible trajectories), how to optimally design a sampling pattern”. In the framework of this internship similar idea will be explored to design an optimal path to recover all the immersed tracers and offer theoretical guarantees.

[1] M. Cassel, H. Piegay, G. Fantino, J. Lejot, L. Bultingaire, K. Michel, and F. Perret. Comparison of ground-based and UAV a-UHFartificial tracer mobility monitoring methods on abraided river, Earth Surf. Process. Landforms, 2020.
[2] C. Boyer, N. Chauffert, P. Ciuciu, J. Kahn, P. Weiss, On the Generation of Sampling Schemes for Magnetic Resonance Imaging, SIAM J. Imaging Sciences, 9(4):2039-2072, 2016.

Sujet :
This internship is devoted to the design of an optimal path to recover the locations of all the immersed tracers. The main steps of these internship will be:
* to deeply understand the theory of compressed sensing in particular the contribution in [2];
* adapt [2] to the specificities of immersed tracers identifications;
* propose a new pathways strategy for the next deployed experiments.

Profil du candidat :
The candidate must have skills in some of the following areas: Signal and Image Processing, Data science, Probability, Statistics, and Modeling.

Formation et compétences requises :
not specified

Adresse d’emploi :
46 allée d’Italie, 69364 Lyon cedex

Document attaché : 202101050604_SujetStage.pdf

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

Laboratoire/Entreprise : CRAL, Observatoire de Lyon
Durée : 4-6 mois
Contact : nelly.pustelnik@ens-lyon.fr
Date limite de publication : 2021-02-26

Contexte :
Polarimetric imaging is one of the most effective techniques for high-contrast imaging and characterization of circumstellar environments. These environments can be characterized through direct-imaging polarimetry at near-infrared wavelengths. The Spectro-Polarimetric High-contrast Exoplanet REsearch (SPHERE)/IRDIS instrument installed on the Very Large Telescope in its dual-beam polarimetric imaging (DPI) mode, offers the capability to acquire polarimetric images at high contrast and high angular resolution. However dedicated image processing is needed to get rid of the contamination by the stellar light, of instrumental polarization effects and of the blurring by the instrumental point spread function. In [1], we propose a reconstruction strategy to deconvolve the near-infrared polarization signal from circumstellar environments. This reconstruction method relies on variational techniques including weighted data fidelity term, smooth penalization, and additional constraints. The method improves the overall performances in particular for low SNR/small polarized flux compared to standard methods.

Sujet :
Following recent advances in deep learning for image restoration, the objective of this internship is to explore such framework in the context of high-contrast reconstruction for studying cIrcumstellar environments. Using as a starting point the direct model and the algorithmic strategy provided in [1], we will unroll the iterations to fit a deep learning formalism as proposed in [2].

[1] L. Denneulin, M. Langlois, E. Thiébaut, and N. Pustelnik, RHAPSODIE : Reconstruction of High-contrAst Polarized SOurces and Deconvolution for cIrcumstellar Environments, submitted, 2020.
[2] M. Jiu, N. Pustelnik, A deep primal-dual proximal network for image restoration, arXiv:2007.00959, 2020.

Profil du candidat :
The candidate must have skills in some of the following areas: Signal and Image Processing, Data science, Optimization, Machine Learning.

Formation et compétences requises :
not specified

Adresse d’emploi :
9 Avenue Charles Andre, 69230 Saint-Genis-Laval, France

Document attaché : 202101050537_2020_SujetStage_SPHERE.pdf

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

Laboratoire/Entreprise : UMR LETG Rennes (CNRS, Univ. Rennes 2), UMR ESE (I
Durée : 6 mois
Contact : guglielmo.fernandez-garcia@inra.fr
Date limite de publication : 2021-02-26

Contexte :
Dans le cadre du suivi des poissons en rivières, les caméras acoustiques sont des outils de plus en plus utilisées car elles permettent un enregistrement continu et non intrusif de toute l’activité de la faune aquatique dans son milieu naturel. Il en résulte des quantités énormes de vidéos dans lesquelles on cherche à sélectionner les passages des poissons, dénombrer les effectifs, et identifier leurs espèces. En vue de réduire les temps de visionnage manuel des vidéos par des opérateurs dédiés, nous avons développé une méthode automatique, basée sur des techniques de réseaux de neurones, qui permet de détecter les passages de poissons dans les vidéos acoustiques.

Cet outil, développée en python et C++, peut être améliorée. Actuellement, la méthode permet uniquement de reconnaître le passage d’un poisson sans en identifier l’espèce ni en extraire des descripteurs morphologiques ou comportementaux. Parmi les poissons détectés, il est nécessaire de pouvoir identifier automatiquement l’espèce observée et la taille des individus afin de décrire la composition des populations étudiées. De plus, la méthode a été développée à partir des données de deux caméras sonar (DIDSON et ARIS), déployées sur deux sites d’étude différents (Sélune et Touques en Normandie), l’efficacité de la méthode avec d’autres caméras (ex. Blueview) et sur d’autres sites de suivi est encore à tester.

Sujet :
Afin de rendre l’outil utilisable par les différents acteurs de recherche ou de gestion de la biodiversité des milieux aquatiques, nous avons besoin de développer un outil d’analyse capable d’extraire un maximum d’informations biologiques à partir des vidéos acoustiques. En particulier, nous souhaitons :

• Améliorer l’analyse multi-espèces (multi-classes) des flux vidéo des caméras sonar
• Permettre l’extraction automatique des caractéristiques morphologiques (e.g. taille) et comportementales (e.g. direction de la nage).
• Étudier l’extension de la méthode à d’autres types de caméras sonar et à différents sites d’étude.

Pour atteindre ces objectifs, nous allons suivre deux approches:

• Étendre la méthode actuelle: une première analyse multi-espèces peut être dérivée directement du modèle actuel, en augmentant le nombre de classes, chaque classe représentant une espèce d’intérêt. L’extraction des descripteurs de chaque passage de poisson sera réalisée en analysant les détections par le biais de cette méthode.
• Développer une approche temporelle de segmentation sémantique: dans ces méthodes chaque pixel de l’image est classé. Cela permet d’identifier avec précision la région qui représente l’objet d’intérêt sur l’image, conduisant ainsi à une meilleure définition des propriétés morphologiques du poisson et donc de l’identification de son espèce.

Profil du candidat :
Étudiant M1 ou M2 en informatique, science des données, écologie ou géographie ou des domaines connexes.

Formation et compétences requises :
La connaissance de Python est souhaitable. Une connaissance de base des méthodes d’apprentissage automatique est appréciée, mais pas obligatoire.

Adresse d’emploi :
UMR LETG Rennes (CNRS, Univ. Rennes 2)
’UMR ESE (INRAE, Institut Agro, Rennes)

Document attaché : 202102031459_fiche_stage_AcousticAI.pdf

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

Laboratoire/Entreprise : Université de Technologie de Troyes
Durée : 6 mois
Contact : pierre.beauseroy@utt.fr
Date limite de publication : 2021-02-28

Contexte :
Ref. N° DTX 04122020 (à préciser dans l’objet votre mail de candidature + lettre de motivation)
Contexte
DiTeX est une un laboratoire commun de R&D en Data-Innovation pour l’industrie du Textile et de l’habillement (DiTeX) qui regroupe l’Université de Technologie de Troyes (UTT) et l’Institut Français Textile et Habillement (IFTH). Il a pour ambition d’explorer les nouvelles voies dans le domaine de la modélisation statistique et des Big Data pour l’analyse et la valorisation des données appliquées aux problèmes et aux données de l’habillement. L’un des axes de développement de nouveau services concerne l’exploitation des données métier (matériaux, mensurations, morphologie, etc.) pour permettre une exploration optimale des panels.

Sujet :
Dans la pratique, l’objectif est d’extraire du panel complet une population qui corresponde aux caractéristiques désirées d’une population cible (âge, sexe…) et de s’assurer que cette partie du panel est bien représentative de la population cible dans son ensemble. Pour ce faire, il est possible de s’appuyer sur des données tierces (INSEE…). Ces données tierces peuvent aussi apporter des informations complémentaires (non disponibles ou partiellement renseignées pour le panel), qu’il peut s’avérer utile d’exploiter.
L’étape de définition d’une population peut donc comporter une phase de choix des individus et de redressement de la population pour correspondre aux caractéristiques de la cible visée et l’apport d’information complémentaire pose la question de l’enrichissement des données de la population sélectionnée.
L’objet du stage et d’étudier ces deux aspects.

Vos missions:
– Faire un état de l’art sur le redressement des échantillons et sur l’enrichissement de données.
– Faire une première exploration des données de l’IFTH
– Identifier des données externes pertinentes pour l’enrichissement, et/ou le redressement
– Proposer des modalités de redressement et/ou d’enrichissement adaptées à une population cible définie dans le cadre d’un « cas d’école ».
– Proposer une stratégie d’évaluation de la pertinence de la population après redressement/enrichissement par rapport à la cible.

Profil du candidat :
Profil recherché et compétences :
Etre en fin de formation ingénieur ou master ou mastère spécialisé en Mathématiques ou Informatiques et avoir de bonnes connaissances en :
– Statistiques,
– Data science
– Ingénierie de la donnée (plus globalement),

Formation et compétences requises :
Elle/il doit être capable de mener à bien une mission de « data exploration », présenter et défendre ses résultats (esprit critique et de synthèse).
Sur le plan technique:
– Très bonne maîtrise de Python et/ou Matlab pour le data science,
– Outils statistiques

Adresse d’emploi :
Université de Technologie de Troyes
Equipe Modélisation et Sûreté des Systèmes (M2S)
Département Recherche Opérationnelle, Statistiques Appliquées, Simulation (ROSAS)
*** Affectation :
La/le candidat(e) retenu(e) aura à travailler dans une équipe mixte IFTH-UTT à Troyes.

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

Laboratoire/Entreprise : Lab-STICC/IMT Atlantique
Durée : 6 mois
Contact : ronan.fablet@imt-atlantique.fr
Date limite de publication : 2021-02-28

Contexte :
This internship offer is open in the framework of AI chair OceaniX (https://cia-oceanix.github.io/), which develops Physics-Informed AI for Ocean Monitoring and Surveillance.

Sujet :
Data-driven and learning-based strategies for the analysis, modeling and reconstruction of dynamical systems are currently emerging as promising research directions as an alternative to classic model-driven approaches for a wide variety of application fields, including atmosphere and ocean science, remote sensing, computer vision…. [2,3,4]. Especially, deep learning schemes [1] are currently investigated to address inverse problems, i.e. reconstruction of signals or images from observations. Especially, recent works [e.g., 3,4] have shown that one can learn variational models and solvers for the reconstruction. This internship will further investigate such variational formulations to design samplers of realistic reconstruction given the available observations. The envisioned framework will combine adversarial learning strategies, e.g. [5,6] with the joint learning of variational models and solvers [3].
For evaluation purposes, different case-studies will be implemented (e.g., image inpainting, reconstruction of hidden dynamics,…), for instance similarly to [3]. Application to the reconstruction of sea surface dynamics from satellite-derived observations might also be considered. Pytorch will be the preferred framework for these experiments.

Profil du candidat :
MSc. and/or engineer degree in Applied Math., Data Science and/or Computer Science with a strong theoretical background, proven programming skills (Python).

Formation et compétences requises :
Advanced knowledge of deep learning models and a first experience with Pytorch would be a plus.

Adresse d’emploi :
IMT Atlantique, Brest, France

Document attaché : 202011160847_internship_GAN_VarNN2021.pdf

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

Laboratoire/Entreprise : CIRAD – UMR TETIS (Térritoire, Environnement, Télé
Durée : 6 mois
Contact : raffaele.gaetano@cirad.fr
Date limite de publication : 2021-02-28

Contexte :
Le développement de la chaîne de traitement iota2 (Infrastructure pour l’Occupation des sols par Traitement Automatique Incorporant les Orfeo Toolbox Applications a été initié par l’UMR CESBIO (Centre d’Etudes Spatiales de la BIOsphère, Toulouse) dans l’objectif principal d’assurer la production opérationnelle de cartes d’occupation des sols à l’échelle nationale (France Métropolitaine) à partir de séries temporelles d’images à haute résolution spatiale (telles que les images issues des mission Sentinel
de l’ESA), comme établi par le Centre d’Expertise Scientifique « Occupation des SOls » (CES OSO) du Pôle Surfaces Continentales THEIA. Depuis, face aux besoins des utilisateurs, qui sont très variés, et aux contributeurs potentiels pouvant fournir des améliorations méthodologiques, iota2 évolue vers une plateforme puissante et flexible pour faciliter la mise en place de chaînes de traitement en télédétection pour l’occupation du sol à grande échelle.

Sujet :
Dans le cadres des activités du projet TOSCA PARCELLE soutenu par le Centre National d’Etudes Spatiales (CNES), nos objectifs actuels évoluent vers l’amélioration du workflow Moringa par l’intégration dans iota2 de nouvelles méthodes basées sur l’apprentissage profond récemment mises au point dans l’unité, couvrant des étapes allant des prétraitement des séries temporelles (super-résolution, interpolation des observations nuageuses) à l’extraction de descripteurs et la classification à objet. Pour ce stage, les activités se concentreront en particulier sur le développement dans iota2 de techniques d’extraction de descripteurs et de classification issues de l’apprentissage profond (deep learning) et adaptées à la stratégie de classification à objet et à l’utilisation conjointe de séries temporelles multi-capteurs (optiques/radar). Plus précisément, les contributions suivantes sont prévues:

– implémentation de méthodes de classification de séries temporelles basées sur des réseau de neurones récurrents et/ou convolutifs mono-dimensionnels;
— utilisation de réseaux d’apprentissage profond adaptés à la classification de séries temporelles d’images multi-capteurs (méthode TWINNS) en tant qu’extracteur de descripteurs pour l’approche OBIA.

Profil du candidat :
Etudiant M2 ou 3ème ingénieur en textbf{Informatique ou Télédétection / Géomatique}

Formation et compétences requises :
– bonnes compétences en programmation (Python);
– connaissance des textbf{méthodes d’apprentissage automatique} (machine – learning, deep learning) et des modules Python concernés (scikit-learn, TensorFlow/Keras, …);
– une compétence en manipulation de données géo-spatiales (raster/vecteur) est souhaitée;
– goût pour la recherche, l’innovation et le travail collaboratif intra- et inter-équipe.

Adresse d’emploi :
CIRAD, UMR TETIS
Maison de la Télédétection,
500 rue JF Breton, 34090, Montpellier (France)

Document attaché : 202102051053_stage_PARCELLE_2021.pdf

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

Laboratoire/Entreprise : Institut de Planétologie et d’Astrophysique de Gr
Durée : 4 à 6 mois (négociab
Contact : mickael.bonnefoy@univ-grenoble-alpes.fr
Date limite de publication : 2021-02-28

Contexte :
La détection et la caractérisation des exoplanètes géantes par imagerie à haut contraste et à haute résolution angulaire fournissent des contraintes inédites sur les processus de formation des systèmes planétaires à larges séparations (> 5 u.a.) ainsi que sur le fonctionnement des atmosphères Joviennes.

L’emploi de spectrographes dédiés à moyenne (R=λ/Δλ=1000-10 000) ou haute (R=λ/Δλ>10 000) résolution spectrale ouvre de nouvelles perspectives pour améliorer nos capacités de détection et de caractérisation de ces exoplanètes, avec la possibilité d’évaluer précisément leur vitesse orbitale et rotationnelle, ainsi que la structure (profil pression-température) et la composition de leur atmosphère.

Des techniques d’inversion Bayésiennes (“MCMC”, “Nested Sampling”) sont aujourd’hui largement répandues pour analyser les spectres d’exoplanètes à basse résolution spectrale (R~30-100; c.a.d. quelques dizaines de mesures) et ainsi remonter aux caractéristiques physiques et chimiques des objets en se basant sur une comparaison de modèles aux données (“forward modelling”, “retrieval”). De nouvelles techniques doivent désormais être proposées pour analyser efficacement les spectres à moyenne résolution spectrale, pour lesquels le volume de données à modéliser augmente significativement (~x102 à x103). Les techniques d’apprentissage supervisé associées à l’ingénierie des données apparaissent comme une voie de recherche prometteuse pour pallier ce problème.

Sujet :
Dans le cadre du stage proposé, l’étudiant[e] sera responsable :
de l’analyse optimale d’un jeu de données du spectrographe à moyenne résolution spectrale SINFONI au Very Large Telescope (Chili) afin de caractériser l’exoplanète de type Jovien jeune: 2M1027b. L’étudiant traitera ces données à partir d’outils préexistants qu’il ou elle contribuera à améliorer,
du développement et de la validation des techniques d’apprentissage supervisées pour l’inversion des données à moyenne résolution spectrales. L’étudiant[e] modifiera dans ce but un outil développé à l’IPAG et comparera la performance des méthodes développées à celles existantes (“Nested Sampling”), la caractérisation de l’exoplanète étudiée à partir du spectre extrait et de l’outil d’inversion.

Profil du candidat :
Nous recherchons un étudiant avec une formation en mathématique et informatique appliquée capable de traduire les résoudre nos problématiques astrophysiques à l’aide des techniques d’apprentissage supervisé. Un intérêt fort pour la problématique astrophysique du stage est essentiel.

Formation et compétences requises :
L’étudiant devra maîtriser la programmation en langage Python. Il travaillera avec les bibliothèques Python standard (Numpy, Scipy, Dask) et devra apprendre à maitriser des bibliothèques spécialisées (xarray, scikit-learn, astropy, pymultinest, nestle) et les algorithmes associés. Nous fournirons au candidat la bibliographie nécessaire pour parfaire ses connaissances sur le sujet du stage.

Adresse d’emploi :
Institut de Planétologie et d’Astrophysique de Grenoble (IPAG, Grenoble, France)

Document attaché : 202012091120_InternshipM2_IPAG_Modeling_Exoplanet_Spectra_Supervised_ML.pdf

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

Laboratoire/Entreprise : LIFO – Université d’Orléans
Durée : 5 à 6 mois
Contact : christel.vrain@univ-orleans.fr
Date limite de publication : 2021-02-28

Contexte :
Ce stage recherche est lié à un projet national InvolvD, financé par l’ANR (Agence National de la Recherche) débutant en Février 2021 et impliquant 4 laboratoires : GREYC et CERMN (Université de Caen), LABRI (Université de Bordeaux) et LIFO (Université d’Orléans). Il porte sur l’élicitation de contraintes pour l’apprentissage semi-supervisé.

Le stage sera au LIFO, Université d’Orléans, dans l’équipe Contraintes et Apprentissage.

Le projet InvolvD comporte aussi une bourse pour une thèse dont l’appel à candidature sera publié au Printemps 2021.

Sujet :
La classification non supervisée (clustering) a pour but de trouver des structures sous-jacentes présentes dans les données, comme par exemple une partition des données en groupes. Les observations appartenant à un même groupe doivent alors partager des propriétés pertinentes par rapport à l’application visée. Intégrer des connaissances du domaine peuvent permettre de guider le processus vers un clustering, plus proche des besoins de l’expert. Elles peuvent porter sur des paires de points exprimant que deux points doivent, resp. ne doivent pas être dans le même cluster, ou des contraintes sur les clusters (par exemple leur taille ou leur diamètre). Cela a conduit à un nouveau courant de recherche appelé Clustering sous Contraintes. De nombreuses méthodes ont déjà été développées pour intégrer des contraintes dans un processus de clustering. Certaines sont dédiées à un type de contraintes, d’autres sont plus génériques, souvent fondées sur des cadres déclaratifs comme la Programmation Linéaire en Nombres Entiers, la Programmation par Contraintes ou SAT.
Au lieu de produire un unique clustering sur lequel l’utilisateur peut donner un avis (feedback), on peut lui présenter plusieurs partitions et le laisser choisir des clusters qui lui semblent pertinents ou proposer la fusion de clusters qui partagent des propriétés similaires. Dans ce stage nous nous intéressons à l’intégration des retours de l’expert en présence de plusieurs partitions construites. A ces fins, nous devons développer deux aspects :
1) Interprétabilité: nous sommes intéressés par des applications en chemo-informatique où les données sont représentées par des descripteurs discrets. Pour faciliter la tâche de l’expert, nous devons développer des approches qui mettent en évidence les différences/similarités entre couples de clusters et ainsi proposent des interprétations des clusters, dont le niveau dépend de la connaissance structurelle ou sémantique disponible.
2) Fusionner différents clusters sous contraintes données par l’expert. L’idée est qu’il existe plusieurs partitions satisfaisant partiellement l’exert et qu’elles doivent être fusionnées dans une partition consensus satisfaisant toutes les contraintes. Nous considèrerons des méthodes purement déclaratives garantissant de trouver une partition consensus satisfaisant toutes les contraintes.
Ce stage de recherche a pour but de
• Produire un état de l’art sur les méthodes de clustering ensemble sous contraintes utilisateurs
• Proposer des explications, étant donné un ensemble de partitions
• Proposer et tester un premier prototype de clustering ensemble sous contraintes.

Profil du candidat :
Etudiante ou étudiant en master informatique ou école d’ingénieur en informatique.

Formation et compétences requises :
Compétences en machine learning/data mining. Bonnes capacités en programmation. Des connaissances en Programmation par Contraintes seraient appréciées.

Adresse d’emploi :
LIFO, Université d’Orléans

Document attaché : 202011250946_Master_internship.pdf

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

Laboratoire/Entreprise : LIFO (Laboratoire d’Informatique Fondamentale d’
Durée : 5 ou 6 mois
Contact : thi-bich-hanh.dao@univ-orleans.fr
Date limite de publication : 2021-02-28

Contexte :
Ce stage est lié à un projet national Herelles, financé par l’ANR (Agence National de la Recherche) débutant en Novembre 2020. Dans le cadre de ce projet, nous proposons un stage de recherche de master, qui se déroulera au laboratoire LIFOà Orléans, en partenariat avec le laboratoire GREYC à Caen.

Le projet Herelles comporte aussi un financement de thèse de doctorat dont l’appel à candidature sera publié ultérieurement.

Le stage est d’une durée de 5 ou 6 mois, avec le début à mi-janvier ou début février 2020. Il pourrait éventuellement déboucher sur une thèse.

Les candidats sont encouragés à nous contacter dès que possible. Le dossier de candidature complet se compose des documents ci-dessous, qui est sous forme d’un seul fichier pdf à envoyer à Thi-Bich-Hanh Dao (thi-bich-hanh.dao@univ-orleans.fr) :
• CV
• lettre de motivation
• diplômes et relevés des notes de Licence et Master
• coordonnées de trois personnes de référence au maximum
• éventuellement un certificat de langue anglaise et une liste de publications
• Attention : tous les documents doivent être en anglais ou en français.

Sujet :
Le clustering est une tâche importante en fouille de données, qui vise à partitionner les instances de données en groupes pour trouver la structure sous-jacente. Le clustering a été étendu au clustering sous contraints, qui permet d’intégrer les connaissances préalables, afin de rendre la tâche de clustering plus précise. Les connaissances préalables sont intégrées sous forme de contraintes. La plupart des méthodes de clustering sous contraintes demandent la spécification de toutes les contraintes avant l’exécution ultérieure des méthodes. Dans de nombreuses applications, il est plus raisonnable de permettre à l’utilisateur d’injecter de nouvelles informations sous forme de contraintes sur un résultat de clustering. Les contraintes peuvent être des contraintes sur deux instances qui doivent ou ne peuvent pas être dans un même cluster, ou peuvent être des contraintes sur les clusters, indiquant des limites sur leur taille ou leur diamètre, ou peuvent être des opérations sur clusters, comme scinder un cluster ou fusionner deux clusters, etc.. Le processus de clustering sous contraintes devient donc incrémental. Dans ce cadre incrémental, il est essentiel de profiter des informations fournies par l’utilisateur pour apporter des améliorations à la solution. En même temps, afin d’éviter de dérouter l’utilisateur, le nouveau clustering ne doit pas être trop différent du précédent.

Nous considérerons des approches déclaratives (programmation par contraintes, programmation linéaire en nombres entiers) qui offrent l’expressivité et la satisfaction des contraintes. Dans ce stage, nous visons à:
1. Développer un mécanisme qui facilite l’intégration du retour de l’utilisateur sur un clustering donné.
2. Identifier les contraintes importantes afin de profiter des informations données par l’utilisateur. Cela pourrait se faire en déterminant ou en améliorant une mesure sur l’utilité des contraintes.
3. En même temps, limiter la perturbation du nouveau clustering par rapport au précédent. Une mesure de la similarité de regroupement doit être définie, qui peut être statistique ou plus explicative.

Profil du candidat :
Etudiante ou étudiant en master informatique ou école d’ingénieur en informatique.

Formation et compétences requises :
– Compétences en machine learning/data mining. Bonnes capacités en programmation. Des connaissances en Programmation par Contraintes ou Programmation linéaire en nombres entiers seraient appréciées.
– Le français et/ou l’anglais sont les langues de travail.

Adresse d’emploi :
LIFO, Université d’Orléans

Document attaché : 202011251534_Master-Internship-H-2021.pdf

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

Laboratoire/Entreprise : UMR ESPACE-DEV (http://www.espace-dev.fr)
Durée : 4 à 6 mois
Contact : jean-christophe.desconnets@ird.fr
Date limite de publication : 2021-02-28

Contexte :
À l’échelle globale, les océans, l’atmosphère et la biosphère sont l’objet de changements majeurs d’une rapidité sans précédent. Les enjeux associés à ces changements appellent à un développement de connaissances sur le système Terre. Ces connaissances sont construites par l’utilisation conjointe des données issues des observations satellites, de terrain ou encore des sorties de modèle de simulation des phénomènes étudiés. Ces divers systèmes génèrent des volumes de données considérables dans divers formats, hébergés par de nombreux centres de données et de calcul. L’étape de découverte des données est un défi de premier ordre pour connaître leur disponibilité, assurer leur réutilisation et/ou leur combinaison pour de nouvelles analyses.

Sujet :
outil d’aide à l’alignement de ressources onto-terminologiques : application aux thésaurus des sciences de la Terre et du vivant

1 – Problématique
L’approche actuelle est de fédérer les bases de données existantes pour en fournir une vue complète et unifiée en vue de permettre leur interrogation. La volumétrie des données nous imposent de baser nos interrogations sur les métadonnées. La transversalité des enjeux scientifiques nous demande de pouvoir rendre découvrables les données au delà d’une discipline. Pour cela, nous avons choisi de décrire les données en utilisant une ontologie disciplinairement neutre, basée sur le paradigme d’observation [Beretta et al., 2020].
Actuellement, les données sont décrites dans les catalogues des systèmes d’observation. D’un point de vue sémantique, ces catalogues reposent sur une utilisation très disparate et hétérogène (listes contrôlées de valeurs, ressources onto-terminologiques) qui sont utilisées comme descripteurs des données (contenu, localisations temporelle et spatiale).

2 – Travaux
Notre objectif est d’être en mesure d’aligner les différentes ressources onto-terminologiques disciplinaires de sorte que la découverte et la navigation entre des données issues de différentes disciplines soient possibles. Appliqué à quelques thésaurus existants, notre démarche se veut extensible à d’autres ressources ontologiques.
Les travaux porteront sur :
La mise au point d’une méthodologie originale et adaptée à l’alignement des ressources onto-terminologiques. Suite à des travaux préliminaires, nous souhaitons orienter l’étude sur les techniques basées sur les chaînes de caractères, le langage et l’utilisation de ressources linguistiques externes [Jain et al., 2010; Bellahsene et al.,2017 ; Mazuel & Charlet, 2009 ; Jentzsch et al., 2010]. Elles apparaissent adaptées à nos ressources onto-terminologiques (terminologies, des vocabulaires contrôlés et des thésaurus).
L’implémentation d’un outil générique qui utilisera et/ou complétera les outils d’alignements existants. Il viendra compléter un service de registre assurant la gestion et l’accès standard (API REST, SPARQL) aux ressources terminologiques des centres de données.
Des recommandations seront également attendues pour assurer l’automatisation, la mise à jour des alignements à plus grande échelle.

3 – Résultats attendus
Etat de l’art et analyse des méthodes d’alignement adaptées aux ressources onto-terminologiques des sciences de la Terre,
Proposition d’une méthodologie d’alignements,
Prototype assurant les alignements, leur évaluation et leur exportation pour enrichir les ressources onto-terminologiques existantes,
Recommandations pour automatiser et gérer la production d’alignements sur de nouvelles ressources.
Les codes sources seront versés à un dépôt GIt et ouverts (open source) à la communauté scientifique sous une licence libre.

Profil du candidat :
Bonne maîtrise des concepts, méthodes et outils liés à la modélisation de données et de connaissances.
Connaissance des technologies du web sémantique (concepts, langages).
Maîtrise d’outils de construction, d’alignements ou d’agrégation d’ontologies.
Bonne maîtrise d’un langage de programmation Java, Python
Maîtrise des librairies du web sémantique (Java Jena,OWLReady Python, …) pour manipuler les ontologies RDF et OWL) et les techniques d’alignements.

Formation et compétences requises :
master informatique dans le domaine de l’ingénierie des connaissances ou de l’intelligence artificielle (apprentissage, fouille de texte)

Adresse d’emploi :
Maison de la télédétection
500 rue jean françois Breton
Montpellier

Document attaché : 202012082233_Outil d’aide à l’alignement de ressources onto-terminologiques .pdf

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

Laboratoire/Entreprise : UMR ESPACE-DEV (http://www.espace-dev.fr)
Durée : 4 à 6 mois
Contact : jean-christophe.desconnets@ird.fr
Date limite de publication : 2021-02-28

Contexte :
À l’échelle globale, les océans, l’atmosphère et la biosphère sont l’objet de changements majeurs d’une rapidité sans précédent. Les enjeux associés à ces changements appellent à un développement de connaissances sur le système Terre. Ces connaissances sont construites par l’utilisation conjointe des données issues des observations satellites, de terrain ou encore des sorties de modèle de simulation des phénomènes étudiés. Ces divers systèmes génèrent des volumes de données considérables dans divers formats, hébergés par de nombreux centres de données et de calcul. L’étape de découverte des données est un défi de premier ordre pour connaître leur disponibilité, assurer leur réutilisation et/ou leur combinaison pour de nouvelles analyses.

Sujet :
Outil d’annotation sémantique pour des données massives et hétérogènes : application aux données spatio-temporelles du système Terre

Problématique
L’approche actuelle est de fédérer les bases de données existantes pour en fournir une vue complète et unifiée en vue de permettre leur interrogation. La volumétrie des données nous imposent de baser nos interrogations sur les métadonnées. La transversalité des enjeux scientifiques nous demande de pouvoir rendre découvrables les données au delà d’une discipline. Pour cela, nous avons choisi de décrire les données en utilisant une ontologie disciplinairement neutre, basée sur le paradigme d’observation [Beretta et al., 2020].
Actuellement, les données sont décrites dans les catalogues des systèmes d’observation. Ils sont construits sur des annotations sémantiques faiblement standardisés, incomplètes, voire imprécises. A ce stade, elles ne permettent pas de mettre en oeuvre une indexation efficace sur ces grandes masses de données.

Objectifs
Pour cela, notre objectif est de transformer et enrichir les catalogues existants sur la base de l’ontologie d’observation et des ressources onto-terminologiques disciplinaires. Du fait de l’incomplétude, de l’imprécision et de l’hétérogénéité des métadonnées, il est proposé d’explorer l’apport des techniques de classification par apprentissage pour automatiser la standardisation des annotations existantes (sémantique et syntaxique) et la classification des métadonnées en s’appuyant sur notre ontologie métier. Plusieurs grands jeux de métadonnées venant des catalogues d’observatoires seront mis à disposition.
Il s’agit de proposer
une méthodologie originale faisant appel aux techniques d’apprentissage existantes pour standardiser et classifier les métadonnées,
l’implémentation d’un prototype qui permettra de mettre en oeuvre les opérations de transformation, standardisation et de classification des métadonnées.
proposer des métriques d’évaluation qui permettront de juger de l’adéquation de la méthode aux métadonnées traitées.

Références
V. Beretta, J-C Desconnets, I. Mougenot, M. Arslan, J. Barde & V. Chaffard (2020) : A user-centric metadata model to foster sharing and reuse of multidisciplinary datasets in environmental and life sciences. submitted Computers and Geoscience journal.
C. ROUSSEY,S. BERNARD, G. ANDRÉ, D. BOFFETY. Weather Data Publication on the LOD using SOSA/SSN Ontology. Semantic Web Journal, 2019. http://www.semantic-web-journal.net/content/weather-data-publication-lodusing-sosassn-ontology0
2 – Résultats attendus
Prototype permettant 1) d’assurer la transformation des données 2) l’annotation sémantique de données spatio-temporelles et 3) l’évaluation de la qualité des différentes approches d’apprentissage proposées
Etude comparative des méthodes d’apprentissage proposées pour leur sélection en fonction des caractéristiques des jeux de données à annoter.

Profil du candidat :
Bonne maîtrise des concepts, méthodes et outils liés à la modélisation de données et de connaissances.
Connaissance des technologies du web sémantique (concepts, langages).
Maîtrise d’outils de construction, d’alignements ou d’agrégation d’ontologies.
Bonne maîtrise d’un langage de programmation à l’exemple de Java ou Python, et des librairies associées pour manipuler les représentations de données sous forme de graphe (RDF) et les techniques d’apprentissage (machine learning, deep learning)

Formation et compétences requises :
master informatique spécialisation en intelligence artificielle si possible

Adresse d’emploi :
Maison de la télédétection
500 rue jean françois
34093 Montpellier

Document attaché : 202012082238_Outil d’annotation sémantique pour des données massives et hétérogènes.pdf

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

Laboratoire/Entreprise : ICUBE/Université de Strasbourg
Durée : 6 mois
Contact : pierre.parrend@unistra.fr
Date limite de publication : 2021-03-01

Contexte :
L’exploitation des outils d’analyse de données pour le suivi de la qualité de l’environnement, des bâtiments et des infrastructures nécessite de traiter les données en flux, avec un temps de latence très court des évènements d’intérêt. Ce suivi doit être continu et robuste, et en particulier ne pas dépendre de la qualité des données reçues.
Les algorithmes d’analyse mis en œuvre doivent donc être choisis spécifique pour assurer cette robustesse. Ils doivent également supporter la mise en œuvre de réponses automatiques, et donc être fiables, c’est-à-dire avoir une très bonne précision (taux de faux positifs très faible) et fournir des bases solides pour mener des investigations complémentaires, et donc être explicables.

Sujet :
L’objectif du projet est de développer un logiciel pleinement fonctionnel pour la détection de cas d’anomalies dans les environnements ‘smart buildings’. Vous assurerez l’évolution du logiciel SmartFlow v1, qui réalise le transfert de données entre les plates-formes INetLab et BICS du laboratoire ICube, en intégrant les éléments suivants :
• Création d’un datalake pour le stockage des données
• Conception et déploiement de capacité avancée d’analyse des données ‘smart building’, en accord avec les partenaires énergéticiens du projet.
Les principales étapes du projet sont :
• Analyse des besoins en informations pour l’analyse énergétique
• Mise en place d’un datalake
• Mise en place de fonctionnalités de navigations dans l’historique des données
• Enrichissement de la palette d’algorithmes d’analyse pour la détection d’anomalies (ex : LSTM)
• Extraction du jeu de données ‘SmartFlow-building’ répondant aux besoins pour l’analyse énergétique
Le projet doit préparer le déploiement d’une solution de reconfiguration automatique des capteurs énergétiques et l’évaluation de la performance de cette reconfiguration.
Le livrable comprend :
• Une démonstration impliquant les organisations partenaires du projet
• Un document de conception ‘Data flow analysis for smart building (en anglais)
• Le logiciel SmartFlow v2
• Rapport de Master/Fin d’étude
• Soutenance.
Il pourra être adapté selon l’évolution du projet.

Profil du candidat :
L’offre s’adresse à un étudiant en M2, ou dernière année d’école d’ingénieur.
Si le projet donne lieu à des résultats particulièrement solides, il pourra mener à une candidature à une thèse de doctorat en informatique.

Formation et compétences requises :
idem.

Adresse d’emploi :
Laboratoire ICube, CRSB, 1 Rue Eugène Boeckel, 67000 Strasbourg

Document attaché : 202012081447_202011_Sujet stage SmartFlow_Master2 Recherche.pdf

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

Laboratoire/Entreprise : Cerema – ENDSUM
Durée : 6 mois
Contact : david.guilbert@cerema.fr
Date limite de publication : 2021-03-01

Contexte :
Le contrôle non destructif (CND) a de nombreuses applications telles que par exemple la détection des mines anti-personnelles, l’évaluation de structure de génie civil (chaussée, bâtiments, ouvrages d’art).

Sujet :
Dans ce stage, l’étudiant travaillera sur la détection des réseaux enterrés par imagerie radar dans le cadre du partenariat Logiroad – Cerema. Le radar émet une onde qui va être en partie réfléchie à l’encontre d’une discontinuité, l’antenne réceptrice enregistrera les ondes réfléchies pour obtenir un signal 1D (A-scan). En déplaçant le radar, l’ensemble des A-scan collecté formera un B-scan.
L’observation d’une forme hyperbolique sur le B-scan traduit la présence d’un objet. Les réseaux enterrés dans le sens perpendiculaire sont représentés par une hyperbole. Il est difficile de savoir si l’hyperbole représente un réseau enterré ou un objet ponctuel. Plusieurs passages avec un radar permet d’acquérir un ensemble de B-scan formant un C-scan. L’utilisation de C-scan permettra d’améliorer la détection des réseaux enterrés.
Une approche de modélisation numérique (gprMax) permettra de constituer une base de données C-scan pour différentes configuration de matériaux et de réseaux enterrés. À partir de cette base de données, une procédure de détection par méthode d’apprentissage sera mise en place.

Les différentes étapes de ce stage sont :
1. Bibliographie
2. Modélisation numérique (gprMax), constitution de bases de données ;
3. Détection (apprentissage profond) ;
4. Rédaction du rapport.

Profil du candidat :
Étudiant en Master (M2) ou 3ème année Ingénieur en Mathématiques Appliquées, Sciences des données, Intelligence Artificielle et/ou Traitement du Signal

Formation et compétences requises :
1. Intelligence artificielle ;
2. Mathématique appliqué ;
3. Traitement du signal ;
4. Langage de programmation : Python.

Adresse d’emploi :
Cerema, Équipe de recherche ENDSUM – Angers, 23 avenue de l’amiral
Chauvin, 49136 Les Ponts-de-Cé

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

Laboratoire/Entreprise : Cerema – ENDSUM
Durée : 6 mois
Contact : david.guilbert@cerema.fr
Date limite de publication : 2021-03-01

Contexte :
Le contrôle non destructif (CND) a de nombreuses applications telle que l’évaluation des structures de génie civil (chaussée, bâtiments, ouvrages d’art). Nous nous intéressons ici aux réseaux urbains enterrés (gaz, électricité…), dans un contexte de risques et de sécurité aux personnes.

Sujet :
Dans ce stage, il sera question d’estimer des paramètres physiques, comme le diamètre et la profondeur, des réseaux enterrés à partir de signaux radar. Le radar émet une onde qui va être en partie réfléchie à l’encontre d’une discontinuité, l’antenne réceptrice enregistre les ondes réfléchies pour obtenir un signal sur une ligne 1D (A-scan). En déplaçant le radar, l’ensemble des A-scan concaténés forme une image radar 2D, un B-scan. Plusieurs passages avec un radar permet d’acquérir un ensemble de B-scan et d’ajouter une dimension supplémentaire pour former un Cscan.
L’objectif du stage est de faire les estimations sur les C-scan de réseaux enterrés. Une modélisation numérique (gprMax) permet de constituer une base de données (simulée) pour différentes configuration de matériaux et de réseaux enterrés. À partir de cette base de données, une procédure d’estimation par apprentissage sera mise en place (deep-learning ou autre). Un travail similaire existant se consacre aux B-scans et a donné des résultats encourageants.
Les différentes étapes de ce stage sont :
1. Prise en main de l’existant et bibliographie ;
2. Mise en place d’une base d’apprentissage, avec labellisation optimale des données;
3. Tests d’architectures neuronales ou autres méthodes;
4. Documentation des développements et rédaction du rapport ;

Profil du candidat :
Étudiant en Master (M2) ou 3ème année Ingénieur en Mathématiques Appliquées, Sciences des données, Intelligence Artificielle et/ou Traitement du Signal

Formation et compétences requises :
1. Notions d’apprentissage (voire profond) et d’estimation (par régression) ;
2. Développement d’interface(s) de visualisation et de labellisation;
3. Langage Python et C++.

Adresse d’emploi :
Cerema, Équipe de recherche ENDSUM – Strasbourg, 11 rue Jean Mentelin
67035 Strasbourg

christophe.heinkele@cerema.fr

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

Laboratoire/Entreprise : LIS / Université de Toulon
Durée : 6 mois
Contact : adeline.paiement@univ-tln.fr
Date limite de publication : 2021-03-01

Contexte :
Le stage se situe dans un contexte de partenariat multidisciplinaire avec le Bristol Heart Institute (BHI, Royaume-Uni). Le but de ce partenariat est d’améliorer l’évaluation de la fonction cardiaque à l’aide d’une nouvelle mesure, plus directe, de la qualité des battements du cœur. Cette nouvelle mesure devra être totalement automatisée afin de libérer du temps pour les spécialistes. Elle devra aussi être précise et robuste.

Les mesures proxy utilisées actuellement pour évaluer la fonction cardiaque (volume des ventricules, fraction d’éjection, etc.) sont obtenues après reconstruction 3D dynamique du cœur, laquelle est ensuite utilisée pour calculer divers volumes et les mesures proxy qui en découlent. Cette reconstruction est une étape contraignante qui demande beaucoup de temps aux radiologues et cardiologues.

De plus les mesures proxy étant par définition indirectes, elles ne sont pas totalement satisfaisantes pour évaluer la mobilité du muscle cardiaque.

Le stage s’inscrit donc dans un projet de développement d’une nouvelle mesure de la fonction cardiaque, basée directement sur la modélisation de la déformation du cœur.

Sujet :
Des travaux préliminaires ont permis de :

1) développer une méthodologie de quantification de la qualité de certains mouvements :
http://www.bmva.org/bmvc/2014/files/paper058.pdf

2) faire un premier pas vers l’application de cette méthode au mouvement de battement du cœur, en démontrant qu’il est possible de produire un modèle de déformation du cœur adapté à cette méthodologie :
https://miua2018.soton.ac.uk/documents/papers/MIUA2018_026.pdf

Pendant le stage, nous continuerons ces travaux afin d’obtenir une méthode de quantification de la qualité de battement du cœur.

Le stage comprendra les étapes suivantes :

1) Reconstruction du cœur de patients du BHI en 3D et 4D à partir d’IRMs déjà segmentées au BHI. Un logiciel de reconstruction 3D a été adapté lors d’un précédent stage.

2) Construction d’une représentation simplifiée de la déformation du cœur (‘manifold learning’) selon la méthode présentée ici :
https://miua2018.soton.ac.uk/documents/papers/MIUA2018_026.pdf .
Les diagnostiques des patients du BHI étant connus, il sera possible de vérifier que cette représentation permet bien de distinguer les différentes pathologies.

puis au choix :

3a) Suppression de l’étape de reconstruction en apprenant un mapping direct entre l’image IRM et la représentation de l’étape 2 : entrainement d’un réseau de neurones profond comme dans : http://openaccess.thecvf.com/content_iccv_2015_workshops/w11/papers/Crabbe_Skeleton-Free_Body_Pose_ICCV_2015_paper.pdf .

ou

3b) Construction d’un modèle de mouvement normal du cœur selon la méthode de : http://www.bmva.org/bmvc/2014/files/paper058.pdf , et utilisation de ce modèle pour calculer un score de qualité du battement du cœur.

Profil du candidat :
Ce stage est principalement destiné à un étudiant de niveau Master 2, dans un cursus informatique, mathématiques appliquées, ou école d’ingénieur.

Formation et compétences requises :
Pendant ce stage, des méthodes de modélisation markovienne, d’apprentissage de manifold, et de deep learning seront utilisées. Il n’est pas attendu du stagiaire qu’il soit un utilisateur chevronné de ces techniques, mais il devra avoir envie d’apprendre. Des bases solides en mathématiques et statistique seront nécessaires pour cet apprentissage.

Il est fortement recommandé de lire les articles cités ci-dessus pour vous assurer que vous souhaitez bien travailler avec ces méthodes.

Une bonne maîtrise de la programmation python est absolument nécessaire.

Adresse d’emploi :
Laboratoire d’Informatique et Systèmes, équipe DYNamiques de l’Information (DYNI)

Université de Toulon, Campus de La Garde – La Valette, Avenue de l’Université, 83130 LA GARDE

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

Laboratoire/Entreprise : Laboratoire Hubert Curien, UMR 5516, Saint-Etienne
Durée : Up to 6 months
Contact : amaury.habrard@univ-st-etienne.fr
Date limite de publication : 2021-03-01

Contexte :
This internship is part of the COHYLA 2020 project funded by the EUR Manutech Sleight that is interested in the possibility of injecting a machine learning component for surface functionalization. The latter consists of adding a new surface characteristic to a material to improve its properties or give it new functions. Among the surface functionalization technologies, this project is more particularly interested in texturing by femtosecond laser.
One of the difficulties of the laser surface treatment lies in determining the values of the parameters making it possible to obtain the desired property which may differ greatly depending on the type of substrate considered, a subject on which there is currently no consensus. For experts, the traditional approach is to linearly scan the values of the laser parameters while monitoring the output, until the desired property is achieved. This type of approach is obviously quite slow and can quickly become insoluble as the number of laser parameters involved is increasing.

Sujet :
The goal of this internship is threefold :

1. Provide a data analysis of the dataset built by Manutech USD engineers over the past year. This dataset gathered the results of several experiences on two type of materials, where the goal was to obtain the property of hydrophobia. In this context, an observation consists of a set of variable regarding the material, the set of values used for the different laser parameter. As for the outputs, we have images (see Figure 1) as well as a variable indicating whether the surface is hydrophob or not after the laser treatment.

2. Develop a ML model to predict the set of laser values that engineers should use when looking for a particular property. This model will have to deal in particular with the issues of materials heterogeneity and two type of data output.

3. Study the possibility of generating characterization images and experiences with deep neural networks to compensate for the complexity (in time and material) of data collection.

Profil du candidat :
-Master student M2 level

Formation et compétences requises :
Machine Learning, statistical inference, Data Science

Adresse d’emploi :
Laboratoire Hubert Curien, 18 rue du Pr Benoit Lauras, 42000 Saint-Etienne

Document attaché : 202012161758_Internship_EUR-ML_Femtolaser.pdf