Présentation Générale

 


           
Appel à Ateliers 2027

Le GDR MaDICS anime des activités de recherche interdisciplinaires en Sciences des Données à travers des Actions et Ateliers.

Il s’agit à travers ses outils de promouvoir et/ou amplifier des échanges autour de problématiques de recherche partagées par une communauté de chercheurs et de partenaires de diverses disciplines sur des masses de données scientifiques bien identifiées.

Comme tous les ans, le GDR fait appel à ses membres pour qu’ils soumettent des propositions de création de nouveaux Ateliers. 

Soumissions avant le 16 novembre 2026 pour un démarrage le 1er janvier 2027.

Pour en savoir plus…

MaDICS est un Groupement de Recherche (GDR) du CNRS créé en 2015. Il propose un écosystème pour promouvoir et animer des activités de recherche interdisciplinaires en Sciences des Données. Il est un forum d’échanges et d’accompagnement pour les acteurs scientifiques et non-scientifiques (industriels, médiatiques, culturels,…) confrontés aux problèmes du Big Data et des Sciences des données.
Pour en savoir plus…


Les activités de MaDICS sont structurées à travers des Actions et Ateliers. Les Actions rassemblent les acteurs d’une thématique précise pendant une durée limitée (entre deux et quatre ans). La création d’une Action est précédée par un ou plusieurs Ateliers qui permettent de consolider les thématiques et les objectifs de l’action à venir.


Le site de MaDICS propose plusieurs outils de support et de communication ouverts à la communauté concernée par les Sciences des Données:

  • Manifestations MaDICS : Le GDR MaDICS labellise des Manifestations comme des conférences, workshops ou écoles d’été. Toute demande de labellisation est évaluée par le Comité de Direction du GDR. Une labellisation rend possible un soutien financier pour les jeunes chercheuses et chercheurs. Une labellisation peut aussi être accompagnée d’une demande de soutien financier pour des missions d’intervenants ou de participants à la manifestation.
    Pour en savoir plus…
  • Réseaux MaDICS : pour mieux cibler les activités d’animation de la recherche liées à la formation et à l’innovation, le GDR MaDICS a mis en place un Réseau Formation destiné à divers publics (jeunes chercheurs, formation continue,…), un Réseau Innovation pour faciliter et intensifier la diffusion des recherches en Big Data, Sciences des Données aux acteurs industriels et un Club de Partenaires qui soutiennent et participent aux activités du GDR.
    Pour en savoir plus…
  • Espace des Doctorants : Les doctorants et les jeunes chercheurs représentent un moteur essentiel de la recherche et le GDR propose des aides à la mobilité et pour la participation à des manifestations MaDICS.
    Pour en savoir plus…
  • Outils de communication : Le site MaDICS permet de diffuser des informations diverses (évènements, offres d’emplois, proposition de thèses, …) liées aux thématiques de recherche du GDR. Ces informations sont envoyées à tous les abonnés de la liste de diffusion MaDICS et publiés dans un Calendrier public (évènements) et une page d’offres d’emplois.

Adhésion au GDR MaDICS : L’adhésion au GDR MaDICS est gratuite pour les membres des laboratoires ou des établissements de recherche publics. Les autres personnes peuvent adhérer au nom de l’entreprise ou à titre individuel en payant une cotisation annuelle.
Pour en savoir plus…


Manifestations à venir

Journées Ecoles Conférences et Séminaires

Actions, Ateliers et Groupes de Travail :

CODA DAE DatAstro DSChem EXMIA GINO GRASP RECAST SaD-2HN SIMDAC SimpleText TIDS  


May
1
Fri
2020
Reinforcement learning for Qos routing in SDNs
May 1 – May 2 all-day

Annonce en lien avec l’Action/le Réseau : aucun

Laboratoire/Entreprise : Huawei France Research Center
Durée : 6 months
Contact : jeremie.leguay@huawei.com
Date limite de publication : 2020-05-01

Contexte :
The Network and Traffic Optimization research team of the Mathematical and Algorithmic Sciences Lab, Huawei France Research Center, located in the Paris area, is looking for internship candidates. The research will focus on developing machine learning algorithms to drive research and innovation in the context of traffic engineering.

Sujet :
The Software Defined Networks (SDN) paradigm has gained a lot of popularity in the recent years. It shifts the control plane of the network from the devices to a powerful centralized controller with a global view of the network. The controller can update policies and distribute them to routers in an online fashion based on its real-time perception of the network status. Current approaches for SDN routing relies on offline optimization tools relying on Operations Research algorithms but are not efficient to deal with variations of traffic. Online decision-making tools such as Reinforcement Learning (RL) are promising approaches to address this issue.

The main objectives of this internship are the following:
1. Study the state of the art of reinforcement learning methods for intelligent routing.
2. Evaluate the potential applicability of RL solutions on a specific routing problem.
3. Implement and compare the selected approaches on an emulated network.

Profil du candidat :

1. Good programming and scripting skills (C/C++/Java, Python)
2. Good knowledge of ML/RL techniques
3. Knowledge of networking is a plus

Formation et compétences requises :
Required Level: Msc in Computer science / Applied mathematics.

Adresse d’emploi :
Boulogne-Billancourt, Paris Area

Document attaché : 2020-Demande-de-stagiaire-Huawei_France_Research_Center_RL_ResourceAllocation.pdf

Jun
1
Mon
2020
Model learning with rational optimization and constraints
Jun 1 – Jun 2 all-day

Annonce en lien avec l’Action/le Réseau : aucun

Laboratoire/Entreprise : CentraleSupelec/INRIA Saclay
Durée : 4-6 mois
Contact : laurent.duval@ifpen.fr
Date limite de publication : 2020-06-01

Contexte :
This subject is in close connection with Arthur Marmin’s PhD thesis (Rational models optimized exactly for chemical processes improvement), co-supervised by Marc Castella, Jean-Christophe Pesquet and Laurent Duval. The context of the subject is modeling of experimental data with a parametric family of functions.

Sujet :
For a long time, polynomial and rational functions have been playing a key role in that respect (calibration, saturation, system modeling, interpolation, signal reconstruction..) Their use is classically confined to least-square or least-absolute value regression. However, it is highly desirable in real-world applications to incorporate:
data-based penalties (positivity, interval bounds)
model and noise priors, such as power laws or variance stabilizing transforms,
statistical priors, such as robustness or sparsity.
Basically, from the modeling perspective, any cost function of practical interest can be approximated as accurately as desired by a polynomial. Nonetheless, optimizing multivariate rational function under polynomial constraints is a difficult problem when no convexity property holds. Recent mathematical breakthroughs have made it possible to solve problems of this kind in an exact manner by building a hierarchy of convex relaxations. The objective of this internship is to pursue the developments applied so far to signal restoration. We address here the quest for best model selection in experimental data fitting. We minimize a criterion composed of two terms. The first one is a fit measure between the model and recorded measurements. The second terms are sparsity-promoting (approximating the l0 count measure) and interval bound penalizations, weighted by positive parameters We choose terms as rational functions. The latter will be dealt with by subclasses (e.g. polynomials, homographic functions). The proposed methodology will be evaluated on the many models and experimental data available at IFP Energies nouvelles. A particular attention will be paid to the usability to data practitioners, by embedding the algorithms into an user-friendly interface, with help in choosing hyperparameters.

Details:
http://laurent-duval.eu/job-2020-internship-data-science-rational-models.html

Profil du candidat :
Engineering school, Master of science

Formation et compétences requises :
Optimization, statistics, computing

Adresse d’emploi :
CentraleSupelec/INRIA Saclay

Document attaché : IFPEN_2020_SUBJ_Rational-Function-Models-DATAIA-Internship-Data-Science.pdf

On Enhancing Knowledge Graphs with Provenance Support
Jun 1 – Jun 2 all-day

Annonce en lien avec l’Action/le Réseau : aucun

Laboratoire/Entreprise : Lamsade, Université Paris-Dauphine
Durée : 4 à 6 mois
Contact : kbelhajj@googlemail.com
Date limite de publication : 2020-06-01

Contexte :
Knowledge graphs can be viewed as large collections of interconnected entities enriched with semantic annotations. They have become powerful assets for enhancing search and are now widely used in both academia and industry. Well-known knowledge graphs include Google’s Knowledge Graph, Facebook’s Graph Search and Yago (see (Pan et al. 2017)). In the context of this internship, the focus will be on knowledge graphs that are available or can be exported as RDF datasets (Manola and Miller 2004) enhanced with RDF Schema (Guha and Brickley 2014) statements that capture relevant domain background knowledge.

Sujet :
By and large, available knowledge graphs lack provenance support (Cheney, Chiticariu, and Tan 2009). Provenance information informs on the how-about of entity, i.e., how they come to be, and can be used in a range of applications, e.g., to explain the results of a query or search, to propagate annotations among the enti- ties that constitute the knowledge graph, to learn attribution information, to name a few. The main objective of the internship will be to investigate how RDF knowledge graphs can be enhanced with provenance support. In doing so, the candidate will examine the different kinds of provenance information that can be collected and recorded and the computational complexity incurred by each, design an algorithmic solution, and implement it. For validation purposes, we will be using real knowledge graphs that are freely available under the aegis of the open linked data initiative.

Profil du candidat :
A master or Engineer student in computer science.

Formation et compétences requises :
– Semantic Web (RDF, RDFS)
– Python

Adresse d’emploi :
Université Paris-Dauphine, Place du Maréchal de Lattre de Tassigny, 75016 Paris

Document attaché : Master-Internship-1.pdf

Jun
30
Tue
2020
Apprentissage de représentations multi-modales d’IRM cérébrales pour la cartographie des différences individuelles
Jun 30 all-day

Annonce en lien avec l’Action/le Réseau : aucun

Laboratoire/Entreprise : Institut de Neurosciences de la Timone, Marseille
Durée : 3-5 mois
Contact : sylvain.takerkart@univ-amu.fr
Date limite de publication : 2020-06-30

Contexte :
En imagerie cérébrale, exploiter la complémentarité offerte par différentes modalités d’images doit permettre de s’affranchir des limitations de chacune des modalités. Dans cette optique, nous avons développé une méthode d’apprentissage de représentation multi-modales qui fusionne les informations offertes par différents types d’IRM (imagerie par résonance magnétique). Cette méthode est basée sur l’apprentissage profond, et nous avons démontré qu’une telle fusion permet de mieux cartographier les différences inter-individuelles observées dans des tâches de perception auditive, à partir de deux modalités (IRM fonctionnelle de repos et IRM fonctionnelle de tâche).

Ce projet est issu d’une collaboration inter-disciplinaire entre l’Institut de Neurosciences de la Timone et l’équipe d’Apprentissage du Laboratoire d’Informatique et des Systèmes, tous deux situés à Marseille.
http://www.int.univ-amu.fr

Home-summary

Sujet :
Ce stage s’inscrit dans la continuation de ce projet et vise à poursuivre ces travaux à la fois au niveau applicatif et méthodologique.
Dans un premier temps, l’étudiant.e procédera au traitement de données d’IRM cérébrales pour construire les caractéristiques données en entrée à cet algorithme sur une grande base de données ouverte, de type Human Connectome Project. Il.elle appliquera la méthode existante sur cette base de données afin d’évaluer quantitativement ses performances.
Dans un deuxième temps, l’étudiant.e travaillera sur des dévelopements méthodologiques visant à améliorer l’algorithme. Un des objectifs visera à généraliser l’algorithme pour qu’il fonctionne sur plus de deux modalités en ajoutant de nouveaux types d’images (IRM anatomique, IRM de diffusion).

Profil du candidat :
En école d’ingénieur ou en master.
Formation traitement d’images, imagerie médicale, apprentissage machine, sciences des données.

Formation et compétences requises :
– Très bon niveau en programmation python.
– Très bon niveau en apprentissage automatique (dont apprentissage profond).
– Connaissances en traitement d’image médicales
– Bon niveau en anglais.

Adresse d’emploi :
Institut de Neurosciences de la Timone,
27 boulevard Jean Moulin
13005 Marseille

Document attaché :

Apprentissage automatique sur données de spectroscopie de modifications d’ARN pour distinguer des stades de cancers
Jun 30 – Jul 1 all-day

Annonce en lien avec l’Action/le Réseau : aucun

Laboratoire/Entreprise : LIRMM, CNRS UMR 5506
Durée : 6
Contact : rivals@lirmm.fr
Date limite de publication : 2020-06-30

Contexte :

Mots-clé : apprentissage automatique, statistique, épitranscriptome, marques épitranscriptomiques, développement, cancer

L’identification de bio-marqueurs spécifiques du cancer sont essentiels pour diverses prévisions et décisions médicales (diagnostic, prognostic, stratification de patients, évaluation de la pertinence d’une thérapie). Récemment, il a été montré que la régulation de l’expression des gènes est influencée par des modifications des bases des ARNs. Ces modifications qui sont dynamiquement contrôlées (ajoutées, lues ou effacées) sur une grande partie des ARNs produits dans les cellules. Contrairement à des mutations génétiques, ces modifications dites “épitranscriptomiques” ne changent pas la base, mais en quelque sorte la “décorent”. En outre, certaines de ses modifications ont été associées à divers cancers. Grâce à une plateforme montpellièraine unique en France (mis en place au sein de notre consortium), on peut étudier globalement par spectroscopie de masse la présence de ces modifications dans un échantillon de cellules.

Dans ce projets nous disposons des mesures d’une cinquantaine de modifications effectuées sur des tissus de patients sains et cancéreux. L’objet de ce stage est de développer une approche d’apprentissage automatique qui recherchent les combinaisons de modifications permettant de distinguer les cellules saines de cellules cancéreuses, voire de les relier au stade cancéreux.
Les tissus de patients sont collectés par un des partenaires, le SIRIC de Montpellier.

Sujet :

Mettre en place un analyse permettant de normaliser les mesures, d’étudier les corrélations entre les mesures de différentes marques, et de proposer des stratégies d’apprentissage automatique (machine learning) qui 1/ distinguent les échantillons de cellules saines de ceux de cellules cancéreuses, puis 2/ déterminent les modifications associées à différents stades d’un cancer.

References :
1. Delaunay, S. and M. Frye, RNA modifications regulating cell fate in cancer. Nat Cell Biol, 2019. 21(5): p. 552-559.
2. A.C. Muller and S. Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists. O’Reilly (édition en Anglais et en Français).
3. Gilbert Saporta. Probabilités, analyse des données et Statistique. Technip. 2011.

Profil du candidat :
Prérequis et connaissances
– programmation en python
– apprentissage automatique
– analyse statistique
– goût pour les thématiques pluridisciplinaires

Qualités souhaitées :
– motivation
– programmation
– capacités de synthèse et d’analyse
– ouverture d’esprit.
– capacité d’échanges et de communication

Formation et compétences requises :
Master informatique, math appliquées, statistiques
Formation de “data analyst”

Adresse d’emploi :

Gratification : 520 euros mensuels.

Lieu : Montpellier
Structure d’accueil : équipe Méthodes et Algorithmes pour la Bioinformatique, LIRMM UMR 5506 CNRS & Univ Montpellier
Encadrants : E. Rivals (CNRS), A. David (INSERM)
Partenaires : IGF et SIRIC, tous deux à Montpellier.

Document attaché :

Modèles Auto-associatifs pour la Dispersion de Polluants dans l’Atmosphère
Jun 30 – Jul 1 all-day

Annonce en lien avec l’Action/le Réseau : aucun

Laboratoire/Entreprise : Inria, équipe Mistis et Phimeca
Durée : 12 mois
Contact : ; “>”Sylvain Girard, Phimeca” ;
Date limite de publication : 2020-06-30

Contexte :
Le projet MADiPA collaboration entre INRIA et Phimeca Engineering, subventionné par l’AMIES vise a développer une méthode de prévision de la dispersion de polluants dans l’atmosphère.

L’approche envisagée consiste à construire une approximation d’un modèle physique coûteux en utilisant des modèles Auto-Associatifs pour contourner la difficulté liée à la grande dimension des entrées et sorties.

Voir le fichier joint pour davantage de détails.

Sujet :
Modèles Auto-associatifs pour la Dispersion de Polluants dans
l’Atmosphère

Profil du candidat :
Le candidat est titulaire d’un doctorat en mathématique. Il maîtrise les notions fondamentales de
probabilité et statistique. Il s’intéresse à l’ingénierie et cherche à accroître sa culture scientifique et
industrielle. Il n’est pas rebuté par l’informatique scientifique et la programmation.

Formation et compétences requises :
Compétences requises :
– bon niveau en mathématique
– connaissances en probabilité et statistique
– connaissance du système d’exploitation Linux
– maîtrise du langage Python

Adresse d’emploi :
Le poste est localisé dans les bureaux de Phimeca au 18 boulevard de Reuilly à Paris.

Document attaché : PostDoc-Pḧimeca.pdf

Jul
20
Mon
2020
Modélisation et visualisation 3D de réseaux vasculaires
Jul 20 – Jul 21 all-day

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

Laboratoire/Entreprise : Laboratoire CREATIS et LIRIS Lyon
Durée : 4-6 mois
Contact : carole.frindel@creatis.insa-lyon.fr
Date limite de publication : 2020-07-20

Contexte :
La modélisation physique de l’écoulement du sang dans les artères par résolution numérique des équations de dynamique des fluides permet de comprendre la survenue et l’évolution de pathologies graves comme l’accident vasculaire cérébral ou la rupture d’anévrisme. Il s’agit dans un premier temps de définir le domaine 3D dans lequel on veut modéliser l’écoulement sanguin. Cela est fait communément en utilisant un maillage surfacique en trois dimensions de la paroi artérielle. Ce domaine doit ensuite être divisé en un ensemble de petits éléments appelés cellules, formants un maillage volumique dans lequel les équations physiques pourront être résolues numériquement. Cette résolution permet d’obtenir une estimation de la pression et la vitesse du sang dans chacune des cellules du maillage.

Sujet :
Nous avons récemment implémenté un algorithme permettant d’obtenir un maillage de l’arbre vasculaire a partir d’informations de ligne centrale avec rayon. Le stage propose vise a compléter le pipeline existant par de nouvelles fonctionnalités. Il consistera principalement en la programmation du code permettant de réaliser les deux objectifs décrits ci-après. Le code devra s’intégrer dans le framework déjà existant, il sera donc codé en python, en utilisant des librairies graphiques comme VTK.

1 – Déformation du maillage
L’algorithme actuel produit des maillages tubulaires. Il s’agit d’une approximation qui est cohérente avec l’anatomie dans la plupart des cas, mais il serait intéressant de pouvoir mailler également des artères avec une section non circulaire. Pour cela, nous souhaiterions déformer le maillage surfacique tubulaire produit par l’algorithme pour le faire correspondre à la surface d’un autre maillage obtenu par segmentation d’images médicales. Cela peut être fait par projection des noeuds du premier maillage vers la surface du maillage de référence.

2 – Modélisation de la surface par des NURBS
L’analyse isogéométrique est une méthode qui permet de réaliser des simulations physique en s’affranchissant totalement de l’utilisation d’un maillage volumique. Avec cette approche, la surface du domaine d’etude est représentée mathématiquement par des fonctions B-splines rationnelles non uniformes (NURBS). Cette modélisation particulière présente l’avantage de réduire les erreurs de calcul dues a la discrétisation de la surface par les cellules d’un maillage lors de la résolution.
Ainsi, il serait intéressant d’ajouter au pipeline existant la possibilité de modéliser mathématiquement un réseau vasculaire plutôt que de le mailler.

Profil du candidat :
Etudiant en M1/M2 avec majeure en informatique

Formation et compétences requises :
Compétences requises :
 – Programmation python
 – Des notions en géométrie 3D et une expérience avec des librairies de visualisation/manipulation de maillages seraient un plus
Compétences développées:
 – Géométrie 3D, maillages surfaciques et volumiques
 – Modélisation par NURBS
 – Notions de résolution numérique d’équations et simulation physique
 – Application au domaine du médical

Adresse d’emploi :
Bâtiment Blaise Pascal (4ème étage)

7 Avenue Jean Capelle

69621 Villeurbanne Cedex

Document attaché : 202007201241_Sujet_arbre_vasculaire_2020.pdf

Oct
2
Fri
2020
Apprentissage automatique de données dans un environnement virtuel pour modéliser le comportement cognitif d’un patient atteint de la maladie d’Alzheimer.
Oct 2 – Oct 3 all-day

Annonce en lien avec l’Action/le Réseau : Formation

Laboratoire/Entreprise : Laboratoire Informatique, Biologie Intégrative et Systèmes Complexes – IBISC
Durée : 5 ou 6 mois
Contact : Khalifa.Djemal@ibisc.univ-evry.fr
Date limite de publication : 10/02/2020

Contexte :
Dans le cadre du projet AlzVR, nous souhaitons développer une application permettant la prédiction de la sévérité d’un patient atteint par l’Alzheimer.

Information : Le stage pourra se poursuivre également en doctorat.

Sujet :
La détection de signes des pathologies d’Alzheimer qui est une maladie neurodégénérative est une tâche très importante dans un système d’aide au diagnostic médical. En effet, La réalité virtuelle offre aujourd’hui des perspectives pour détecter des troubles liés à la maladie, évaluer son avancement et à terme pouvoir rééduquer le patient. Dans un premier temps, le candidat se familiarise avec l’environnement virtuel récemment développé au laboratoire IBISC. Il procèdera ensuite à son enrichissement permettant ainsi à un patient d’effectuer des parcours et des tâches spécialisées dans un scénario bien défini à l’avance. L’analyse de ces tâches conduit à l’évaluation par des calculs statistiques et des approches de classification de la sévérité de la maladie.

Profil du candidat :
Compétences requises :

– Programmation C/C++, Matlab, Unity 3D
– Des connaissances de base en traitement d’images
– Des connaissances des méthodes de classification, Machine learning

Formation et compétences requises :
Sujet de stage pour Master 2 ou équivalent, de préférence des spécialités suivantes :
– Apprentissage automatique, information et Contenu (Machine Learning),
– Réalité Virtuelle et Systèmes Intelligents
– Informatique Biomédicale,
– Informatique,
– Imagerie Biomédicale,

Adresse d’emploi :
Université Paris-Saclay, Univ. Evry
Laboratoire Informatique, Biologie Intégrative et Systèmes Complexes – IBISC
40 rue du Pelvoux, 91020 Evry, France.

Document attaché : Sujet-stage-Master2-Djemal-2019-2020.pdf

Nov
5
Thu
2020
Conception de systèmes complexes pour l’humanitaire: une capitalisation par une approche graphe
Nov 5 – Nov 6 all-day

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

Laboratoire/Entreprise : DISP (Décision et Information pour les Systèmes de
Durée : 1 semestre
Contact : chantal.bonnercherifi@univ-lyon2.fr
Date limite de publication : 2020-11-05

Contexte :
Chaque
année, il y a en moyenne 150 millions d’êtres humains affectés par l’une des 400 crises humanitaires
recensées. Ces crises sont le résultat de catastrophes naturelles telles que les tremblements de terre, le s
inondations ou encore les sècheresses.
Les opérations logistiques dans le contexte de la réponse à une crise humanitaire sont très différentes de ce qui se fait généralement dans le secteur privé. Différents auteurs se sont penchés sur la description de ce contexte particulier [1-3].
La complexité de la situation lors d’une crise humanitaire rend sa vision globale difficile. Plusieurs facteurs expliquent cette complexité :
– Les données disponibles en temps réel sont souvent incomplètes et dynamiques. Ce travail de récolte et de mise à jour de données prend du temps et n’est donc pas toujours traité en priorité.
– Les acteurs sont très variés (des petites ONG locales aux associations internationales, l’armée, le gouvernement…). Leurs moyens et capacités de coordination ne sont pas toujours alignés.
– Les appels de fonds, et donc le financement de la réponse, sont gérés en parallèle des opérations. La réponse humanitaire apportée aux personnes affectées dépend de la disponibilité de ces fonds. Le périmètre des actions menées et le nombre d’acteurs impliqués évoluent en conséquence.
– L’aspect humain est prépondérant. Quelques jours de retard sur les livraisons peuvent avoir un impact en termes de vies humaines. Une inégalité de traitement entre différentes régions touchées peut générer des mouvements de population, donc plus de camps à ouvrir pour gérer ces migrants.
De ce fait, des problèmes de coordination pour la réponse sont souvent constatés [4]. Nous pouvons ainsi observer des surconcentrations et un recouvrement d’interventions dans certaines zones, alors que d’autres sont involontairement délaissées.
A cela s’ajoute la dynamique du système. En effet, au cours même de la réponse à une crise humanitaire, la situation sur le terrain évolue. On peut citer entre autres, les répliques de tremblement de terre qui peuvent générer l’impraticabilité de certaines routes ou autres infrastructures logistiques, avant que la situation ne se débloque progressivement. De même, les besoins des personnes affectées peuvent évoluer au cours du temps, notamment lorsque les crises se complexifient (épidémies de choléra quelques semaines après un tremblement de terre…). L’écosystème des acteurs est lui aussi sujet à évolution avec par exemple le retrait d’un acteur, la destruction de locaux ou encore l’endommagement du matériel.
On comprend alors la difficulté d’atteindre des niveaux d’efficacité et d’efficience optimaux pour la coordination d’une réponse.

Sujet :
Afin donc de proposer une aide à la coordination et à la décision des plus adaptées, nous avons modélisé une crise humanitaire sous forme de réseau de réseaux. Les données à disposition des communautés étant de nature hétérogène et ne présentant pas de caractère de complétude, peu de travaux de recherche sur l’analyse de ces données à posteriori existent. L’originalité de ce travail préliminaire est donc double mais ne permet pas encore d’atteindre l’optimalité de la décision.
Il apparaît alors crucial de rendre dynamique ce modèle [5] et pouvoir viser une aide à la coordination et à la décision presque temps-réel. De nombreux travaux traitent dans la littérature cette problématique pour les réseaux de téléphonie mobiles. En particulier il est important de distinguer les problématiques de consensus décisionnel des acteurs qui sans cesse évolue en fonction des caractéristiques de la crise et de l’interaction entre les acteurs eux-mêmes. Il s’agira alors de se concentrer sur les problématiques de topologie évoluant dans le temps (concensus-based switching topologies) [6]. L’autre partie névralgique concerne la question de la résilience du réseau face aux multiples changements et modifications. Les indicateurs topologiques classiques comme la centralité d’intermédiarité (betweenness centrality) doivent en conséquence être mis en relation avec l’évolution temporelle du réseau. Là aussi un certain nombre de travaux abordent cette problématique surtout dans un cadre de robotique et d’attaques virales ou informatiques [7] et où les invariants topologiques sont optimisés et « asservis » au cours du temps pour sans cesse pallier aux vulnérabilités.
Dans ce travail, nous proposons de fait de modéliser et d’analyser ces aspects dynamiques de la réponse à une crise humanitaire sous la forme de graphes en abordant conjointement par un nouveau couplage les aspects de consensus décisionnels et de résilience.
[1] L. N. VanWassenhove, “Humanitarian aid logistics: supply chain management in high gear”. In: Journal of the Operational Research Society 57, 2006.
[2] G. Kovacs and K. M. Spens, “Humanitarian logistics in disaster relief operations”. In: International Journal of Physical Distribution LogisticsManagement 37.2, pp. 99 114, 2007.
[3] R. Oloruntoba, “Analysis of the Cyclone Larry emergency relief chain Some key success factors”. In: International Journal of Production Economics 126.1, pp. 85 101. ISSN: 0925 5273, 2010.
[4] A Charles, M Lauras, R Tomasini, Collaboration Networks Involving Humanitarian Organisations Particular Problems for a Particular Sector. IFIP Advances in Information and Communication Technology. 336. 157 165. 10.1007/978 3 642 15961 9_18. (2010)
[5] M. Warnier, V. Alkema, T. Comes, T. et al. Humanitarian access, interrupted: dynamic near real time network analytics and mapping for reaching communities in disaster affected countries. OR Spectrum 42, 815 834 (2020)
[6] G. Moutsinas, W. Guo. Node Level Resilience Loss in Dynamic Complex Networks. Sci Rep 10, 3599 (2020)
[7] T. Wheeler, E. Bharathi and S. Gil, “Switching Topology for Resilient Consensus using Wi Fi Signals,”
International Conference on Robotics and Automation ( Montreal, QC, Canada, 2019, pp. 2018 2024 (2019)

Profil du candidat :
Nous recherchons un·e candidat·e issu.e d’une formation en informatique de niveau M2 ou stagiaire ingénieur PFE. Il ou elle a un intérêt pour la recherche scientifique et des bases théoriques en graphes et réseaux complexes. Des notions de logistique/logistique humanitaire seront un plus.

Formation et compétences requises :
Modélisation de systèmes complexes, Théorie des graphes,
Science des réseaux, Réseaux complexes, (Un plus: Logistique/Logistique humanitaire)

Adresse d’emploi :
Laboratoire DISP (Décision et Information pour les Systèmes de Production)
IUT Lumière Lyon 2
Campus Portes des Alpes
160 Boulevard de l’Université
69500 Bron

Document attaché : 202011051523_2021_StageM2_Humanitaire_DISP.pdf

Nov
6
Fri
2020
Modélisation à base de graphes du processus de conception de produits
Nov 6 – Nov 7 all-day

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

Laboratoire/Entreprise : DISP (Décision et Information pour les Systèmes de
Durée : 1 semestre
Contact : chantal.bonnercherifi@univ-lyon2.fr
Date limite de publication : 2020-11-06

Contexte :
La recherche de la meilleure maîtrise possible du processus de conception de systèmes complexes reste un enjeu important. En effet, ceci permettrait de capitaliser les bonnes pratiques et de les réutiliser efficacement pour le développement de nouveaux produits.
Durant le processus, un grand nombre de données sont générées et manipulées soit à partir de connaissances déjà existantes soit à partir de connaissances nouvellement créées. Pour atteindre donc des objectifs de capitalisation et de traçabilité tout au long du processus de conception, des travaux de recherche restent à mener, pour profiter encore plus de la digitalisation de ce processus (à travers les approches PLM et Jumeau numérique).

Sujet :
De fait, il est possible de représenter tous ces éléments d’information (données produits, processus et activités, objet de connaissance, etc.) et leurs interactions sous forme de graphes. La modélisation à base de graphe est une approche innovante dans le contexte du processus de conception de produits, pour identifier des bonnes pratiques à capitaliser, pour tracer des données ou des décisions, etc.
Une des difficultés pour cette modélisation dans notre contexte est que ces graphes seront complexes, dues à la multiplicité des nœuds, à leurs nombreuses interactions, à la prise en compte des sémantiques, etc.
L’objectif de ce travail de recherche est de proposer une modélisation à base de graphe à partir de plusieurs cas terrains de processus de conception de systèmes, et d’identifier le méta-modèle associé. Une fois ces graphes modélisés, un travail d’analyse permettra d’identifier des opportunités de capitalisation à partir de pattern, d’évaluation de performances, etc.

Profil du candidat :
Nous recherchons un·e candidat·e issu.e d’une formation en informatique (Modélisation, Graphes) de niveau M2 ou PFE ingénieur en génie mécanique (conception de produits). Il ou elle a un intérêt pour la recherche scientifique, des bases théoriques en graphes, réseaux complexes.

Formation et compétences requises :
Modélisation, Analyse, Synthèse, Programmation

Adresse d’emploi :
Laboratoire DISP
IUT Lumière Lyon 2
Campus Portes des Alpes
160 Boulevard de l’Université
69500 Bron

Document attaché : 202011060940_2021_StageM2_DISP_GrapheConceptionProduits.pdf

Nov
16
Mon
2020
Stage M2 : Visualisation de l’activité d’un site marchand de produits illicites sur le darkweb
Nov 16 – Nov 17 all-day

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

Laboratoire/Entreprise : Laboratoire Bordelais de Recherche en informatique
Durée : 5-6 mois
Contact : bruno.pinaud@labri.fr
Date limite de publication : 2020-11-16

Contexte :
Cf doc joint.

Sujet :
Cf doc joint.

Profil du candidat :
Formation en informatique BAC+5

Formation et compétences requises :
Formation en informatique avec un goût prononcé pour le développement. Une formation en visualisation d’informations sera appréciée.

Adresse d’emploi :
Université de Bordeaux

Document attaché : 202011161555_Stage M2 2020_2021.pdf

Nov
30
Mon
2020
Apprentissage profond pour la rééducation personnalisée
Nov 30 – Dec 1 all-day

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

Laboratoire/Entreprise : IRIMAS, équipe MSD, Mulhouse, France
Durée : 6 mois
Contact : maxime.devanne@uha.fr
Date limite de publication : 2020-11-30

Contexte :
Le stage proposé se déroulera au sein de l’institut IRIMAS et l’équipe MSD (Modélisation et Sciences des données). Il s’inscrit dans le contexte de la rééducation assistée par un robot coach, jouant ainsi le rôle d’intermédiaire entre un kinésithérapeute et son patient. Le robot Poppy, équipé d’une caméra permettant la capture du mouvement humain, apprend un mouvement idéal à partir de démonstrations de kinésithérapeutes. Ensuite, le robot évalue de manière automatique les patients atteints de lombalgie pendant leur séances de rééducation, en les corrigeant leur mouvement si nécessaire.
Cependant, l’apprentissage de modèles à partir de démonstrations d’experts (sujets sains) n’est pas toujours directement applicable pour l’analyse des exercices des patients nécessitant une rééducation. En effet, un patient ayant des difficultés à lever un bras suite à un accident ne pourra pas effectuer de manière idéale un exercice sollicitant son bras. Il est alors crucial d’adapter le modèle appris en détectant et prenant en compte cette contrainte physique dans l’analyse du mouvement du patient. Durant le stage, il s’agira ainsi de développer des algorithmes d’apprentissage profond adaptatifs permettant d’évaluer les performances des patients en considérant leurs limites physiques et douleurs éventuelles.

Sujet :
La/le stagiaire aura pour objectifs, dans un premier temps de réaliser un état de l’art sur les différentes méthodes d’apprentissage profond pour l’analyse de mouvement humain. En effet, les travaux de recherche portant sur l’analyse de mouvements à partir de vidéos sont très nombreux mais se limitent pour la plupart à des problèmes de reconnaissance de gestes, d’actions ou d’activités. Différemment, nous nous intéresserons à l’analyse détaillée des mouvements pour le calcul de similarité, l’évaluation de la qualité et la détection d’anomalies. En particulier, différentes architectures de réseaux de neurones seront analysées et comparées sur les aspects de précision mais aussi de coût de calcul. Dans un deuxième temps, la/le stagiaire devra développer l’algorithme choisi et l’évaluer sur des données réelles de mouvements de rééducation de patients mis à disposition. Enfin, il s’agira d’étendre l’algorithme implémenté pour permettre l’adaptation automatique aux limites physiques des patients ainsi qu’à leurs éventuelles douleurs.

Profil du candidat :
La/le candidat(e) doit être inscrit(e) en Master 2 (ou équivalent) en Informatique.

Formation et compétences requises :
– Compétences avancées requises en programmation Python
– Des connaissances et/ou expériences de apprentissage profond et bibliothèques associées seraient un plus

Adresse d’emploi :
Institut IRIMAS, équipe MSD, Mulhouse France.
Contact : Maxime Devanne (maxime.devanne@uha.fr)

Document attaché : 202010271931_Proposition_stage_2021_fr.pdf

Deep learning for speech perception
Nov 30 – Dec 1 all-day

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

Laboratoire/Entreprise : Laboratoire d’Informatique et Systèmes LIS – UMR
Durée : 5-6 months
Contact : marxer@univ-tln.fr
Date limite de publication : 2020-11-30

Contexte :
Recent deep learning (DL) developments have been key to breakthroughs in many artificial intelligence (AI) tasks such as automatic speech recognition (ASR) [1] and speech enhancement [2]. In the past decade the performance of such systems on reference corpora has consistently increased driven by improvements in data-modeling and representation learning techniques. However our understanding of human speech perception has not benefited from such advancements. This internship sets the ground for a project that proposes to gain knowledge about our perception of speech by means of large-scale data-driven modeling and statistical methods. By leveraging modern deep learning techniques and exploiting large corpora of data we aim to build models capable of predicting human comprehension of speech at a higher level of detail than any other existing approaches [3].

This internship is funded by the ANR JCJC project MIM (Microscopic Intelligibility Modeling). It aims at predicting and describing speech perception at the stimuli, listener and sub-word level. The project will also fund a PhD position, the call for applications will be published in the coming months. A potential followup in PhD could be foreseen for the successful candidate of this internship.

Sujet :
In an attempt to using DL methods for speech perception tasks, this internship aims at participating in the first Clarity challenge. This challenge tackles the difficult task of performing speech enhancement for optimising intelligibility of a speech signal in noisy conditions. The challenge opens in January 2021, it is the first of its kind with the objective of advancing hearing-aid signal processing and the modelling of speech-in-noise perception.

Several research directions will be explored, including but not limited to:
perceptual-based loss functions
advanced speech representation learning pipelines
DL-based multichannel processing techniques

Given that the baseline and data of the challenge are to be published in January 2021 and the difficulty of the task remains uncertain, a backup plan is foreseen for this internship that is more tightly related to the context of the ANR project.

In the MIM project, we focus on corpora of consistent confusions: speech-in-noise stimuli that evoke the same misrecognition among multiple listeners. In order to simplify this first approach to microscopic intelligibility prediction, we will restrict to single-word data. This should reduce the lexical factors to aspects such as usage frequency and neighborhood density, significantly limiting the complexity of the required language model. Consistent confusions are valuable experimental data about the human speech perception process. They provide targets for how intelligibility models should dif-ferentiate from automatic speech recognition (ASR) systems. While ASR models are optimised to recognise what has been uttered, the proposed models should output what has been perceived by a set of listeners. A sub-task encompasses creating baseline models that predict listeners’ responses to the noisy speech stimuli. We will target predictions at different levels of granularity such as predicting the type of confusion, which phones are misperceived or how a particular phone is confused.

Several models regularly used in speech recognition tasks will be trained and evaluated in predicting the misperceptions of the consistent confusion corpora. We will first focus on well established models such as GMM-HMM and/or simple deep learning architectures. Advanced neural topologies such as TDNNs, CTC-based or attention-based models will also be explored, even though the relatively small amount of training data in the corpora is likely to be a limiting factor. As a starting point we envisage solving the 3 tasks described in [3] consisting of 1) predicting the probability of occurrence of misrecognitions at each position of the word, 2) given the position, predicting a distribution of particular phone misperceptions, and 3) predicting the words and the number of times they have been perceived among a set of listeners. Predictions will be evaluated using the metrics also defined in [3] and random and oracle predictions will be used as references. These baseline models will be trained using only in-domain data and optimized on word recognition tasks.

Profil du candidat :
The candidate shall have the following profile:

– Master 2 level or equivalent in one of the following fields: machine learning, computer science, applied mathematics, statistics, signal processing

– Good English written and spoken language skills

– Programming skills, preferably in Python

Formation et compétences requises :
Furthermore the ideal candidate would have:

– Experience in one of the main DL frameworks (e.g. PyTorch, Tensorflow)

– Notions in speech or audio processing

Adresse d’emploi :
Laboratoire d’Informatique et Systèmes – LIS – UMR CNRS 7020​ –​ ​Université de Toulon Campus de la Garde – Bât X – CS 60584 – 83041 TOULON Cedex 09

Document attaché : 202011301229_LIS offre stage M2 MIM (2).pdf

Fusion des données Sentinel-2 et ALS par des méthodes d’apprentissage profond
Nov 30 – Dec 1 all-day

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

Laboratoire/Entreprise : UMR TETIS
Durée : 6
Contact : dino.ienco@irstea.fr
Date limite de publication : 2020-11-30

Contexte :
Le projet Protest (PROspective TErritoriale SpaTialisée) (https://protest.irstea.fr/) est un projet de recherche appliquée financé par l’ADEME qui vise à construire une méthodologie d’analyse territoriale de la biomasse forestière en s’appuyant sur 1/ une cartographie haute résolution de la ressource et de ses conditions de mobilisation, 2/ des scénarios de gestion intégrant le contexte socio-économique local et global, 3/ des modèles d’évolution forestière à moyen/long terme, et 4/ des modules d’évaluation des services écosystémiques. Le territoire d’étude est le Parc Naturel Régional du Massif des Bauges.
La cartographie des ressources forestières a été réalisée en s’appuyant sur des relevés d’inventaire terrain (323 placettes mesurées en forêt au niveau du Parc) et sur des données Lidar aéroportées (https://protest.irstea.fr/). Le lidar est une technologie particulièrement intéressante pour mesurer la structure de la végétation . Utilisées avec des données de référence terrain elles permettent de développer des modèles pour prédire des paramètres forestiers à partir de variables de structure qui sont issues des nuages de points 3D Lidar. Une fois établis, les modèles peuvent ensuite être extrapolés à la totalité de la zone d’étude, conduisant à la cartographie de certains paramètres forestiers utiles aux gestionnaires . Dans le cadre du projet PROTEST, l’ONF a ainsi produit des cartes de la surface terrière, du % de gros bois en surface terrière, du diamètre dominant et des grands types de peuplements (résineux purs, dominantes, feuillus, purs, dominants et mélanges).
Certaines études ont montré l’intérêt de combiner les données Lidar avec l’information spectrale d’images provenant de capteurs spatiaux multispectraux à haute résolution spatiale (e.g., Monnet et al., 2015) ou de capteurs hyperspectraux aéroportés (e.g., Zhao et al. 2018).  Actuellement, l’offre en données de télédétection spatiale adaptées au suivi des écosystèmes forestiers évolue rapidement. La mission Sentinel-2 apporte par exemple une richesse spectrale à haute résolution spatiale précieuse pour identifier la composition et l’état des peuplements (Grabska et al., 2019; Sheeren et al., 2016), et ce avec une couverture systématique et une fréquence de revisite inédite à ces résolutions. De par leurs caractéristiques les données Sentinel-2 apportent une information complémentaire à celle des données lidar. Leur potentiel pour caractériser les forêts du Parc Naturel Régional du Massif des Bauges n’a cependant pas encore été évalué. Or ces données sont distribuées gratuitement (programme Copernicus de l’ESA) et peuvent donc être facilement mobilisées pour la gestion des territoires.
En parallèle, les approches d’apprentissage profond se sont développées et facilitent l’analyse de jeu de données de télédétection volumineux et complexes comme les séries temporelles (Interdonato et al., 2019), les données multi-capteurs (Ienco et al., 2019) ou pour faire des analyses multi-résolutions (Benedetti et al., 2018).
En s’appuyant sur des méthodes d’apprentissage profond, l’objectif de ce stage est d’évaluer le potentiel de séries temporelles Sentinel 2 et de la fusion de données issues de nuages de points ALS et d’images Sentinel-2 pour la cartographie des peuplements et de la ressource forestière du Parc Naturel Régional (PNR) du Massif des Bauges. Un premier sous-objectif consistera à identifier le potentiel des données Sentinel-2 pour la caractérisation et la cartographie de la composition spécifique. Un second sous-objectif visera à évaluer l’intérêt de la fusion entre données dérivées des nuages de points ALS et Sentinel-2 pour améliorer la cartographie des différents types de peuplements et, éventuellement, la caractérisation de certains attributs forestiers estimés initialement à partir des seules données lidar.

• Benedetti, P., Ienco, D., Gaetano, R., Ose, K., Pensa, R. G., & Dupuy, S. (2018). M3Fusion: A Deep Learning Architecture for Multiscale Multimodal Multitemporal Satellite Data Fusion. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(12), 4939-4949.
• Bouvier, M., Durrieu, S., Fournier, R. A., & Renaud, J. P. (2015). Generalizing predictive models of forest inventory attributes using an area-based approach with airborne LiDAR data. Remote Sensing of Environment, 156, 322-334.
• Dalponte, M., Bruzzone, L., & Gianelle, D. (2008). Fusion of hyperspectral and LIDAR remote sensing data for classification of complex forest areas. IEEE Transactions on Geoscience and Remote Sensing, 46(5), 1416-1427.
• Durrieu, S., Vega, C., Bouvier, M., Gosselin, F., Renaud, J.-P., Saint-André, L. (2015). Optical remote sensing of tree and stand heights. In: Prasad S. Thenkabail, dir., Land Resources Monitoring, Modeling, and Mapping with Remote Sensing (p. 449-485). Remote Sensing Handbook, 2. Boca Raton, USA : CRC Press. 37
https://prodinra.inra.fr/record/386094
• Grabska, E., Hostert, P., Pflugmacher, D., & Ostapowicz, K. (2019). Forest Stand Species Mapping Using the Sentinel-2 Time Series. Remote Sensing, 11(10), 1197.
• Ienco, D., Interdonato, R., Gaetano, R., & Minh, D. H. T. (2019). Combining Sentinel-1 and Sentinel-2 Satellite Image Time Series for land cover mapping via a multi-source deep learning architecture. ISPRS Journal of Photogrammetry and Remote Sensing, 158, 11-22.
• Interdonato, R., Ienco, D., Gaetano, R., & Ose, K. (2019). DuPLO: A DUal view Point deep Learning architecture for time series classificatiOn. ISPRS journal of photogrammetry and remote sensing, 149, 91-104.
• Lim, K., Treitz, P., Wulder, M., St-Onge, B., & Flood, M. (2003). LiDAR remote sensing of forest structure. Progress in physical geography, 27(1), 88-106.
• Munoz, A., Bock, J., Monnet, J. M., Renaud, J. P., Jolly, A., & Riond, C. (2015). Évaluation par validation indépendante des prédictions des paramètres forestiers réalisées à partir de données LiDAR aéroporté, Revue Française de Photogrammétrie et Télédétection, 211-212.
• Monnet, J. M., Chirouze, É., & Mermin, É. (2015). Estimation de paramètres forestiers par données Lidar aéroporté et imagerie satellitaire RapidEye: Étude de sensibilité. Revue Française de Photogrammétrie et Télédétection, 211-212.
• Van Leeuwen, M., & Nieuwenhuis, M. (2010). Retrieval of forest structural parameters using LiDAR remote sensing. European Journal of Forest Research, 129(4), 749-770.
• Véga, C., Renaud, J. P., Durrieu, S., & Bouvier, M. (2016). On the interest of penetration depth, canopy area and volume metrics to improve Lidar-based models of forest parameters. Remote Sensing of Environment, 175, 32-42.
• Zhao, Y., Zeng, Y., Zheng, Z., Dong, W., Zhao, D., Wu, B., & Zhao, Q. (2018). Forest species diversity mapping using airborne LiDAR and hyperspectral data in a subtropical forest in China. Remote Sensing of Environment, 213, 104-114.

Sujet :
Les principales étapes envisagées pour la réalisation du stage sont :
• Analyse bibliographique sur l’utilisation des systèmes lidar et des images Sentinel-2 pour le suivi des écosystèmes forestiers.
• Mise en place du jeu de données :
◦ Prise en main des données existantes (bdd terrain, données ALS, métriques ALS utilisées dans les modèles ONF)
◦ Téléchargement d’une série temporelle d’images Sentinel-2 (images géoréférencées et en réflectance)
• Identification (par analyse de la littérature) et calcul d’indices spectraux d’intérêt pour la classification des types de végétation à partir des images Sentinel-2.
• Évaluation de l’apport des données Sentinel-2 pour la détermination et la cartographie de la composition spécifique des forêts du PNR du Massif des Bauges ;
◦ La composition spécifique sera définie au niveau des placettes inventoriées selon différentes typologies (en particulier, en tenant compte ou non du statut dominant des arbres).
◦ Pour chaque typologie, la combinaison de dates et de bandes spectrales ou d’indices spectraux la plus adaptée pour discriminer les différents types sera identifiée puis utilisée pour classer les images. La qualité des différentes classifications sera analysée.
• Evaluation de la fusion des données Sentinel-2 et ALS pour la caractérisation des forêts
◦ Les variables issues des images Sentinel-2 seront combinées avec les métriques lidar utilisées pour la caractérisation des grands types de peuplements (résineux purs, dominantes, feuillus, purs, dominants et mélanges) afin d’améliorer la qualité des classification (taux d’erreur actuel de classification des placettes = 11%)
◦ Les variables Sentinel-2 seront aussi utilisées pour l’estimation de certains paramètres forestiers de structure (e.g., surface terrière, %de gros bois) en complément des métriques Lidar. Les modèles d’estimation lidar étant en théorie dépendant du type de peuplement, les données Sentinel-2 pourront intervenir au niveau d’une stratification préalable ou être intégrée directement dans les modèles de régression.
◦ Les résultats avec et sans données Sentinel-2 seront comparés
• Rédaction du rapport et préparation de la soutenance.

Profil du candidat :
• Master II ou dernière année d’école ingénieur
• Compétences : programmation informatique et géomatique
• Bonne connaissance des méthodes de machine learning et deep learning
• Des connaissances en foresterie sont un plus
• Goût pour la recherche scientifique et l’interdisciplinarité
• Maîtrise de l’anglais et bonne capacité rédactionnelle 

Formation et compétences requises :
• Master II ou dernière année d’école ingénieur
• Compétences : programmation informatique et géomatique
• Bonne connaissance des méthodes de machine learning et deep learning
• Des connaissances en foresterie sont un plus
• Goût pour la recherche scientifique et l’interdisciplinarité
• Maîtrise de l’anglais et bonne capacité rédactionnelle 

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

Document attaché : 202010261642_Stage_M2_Bauges_forets_ALS_Sentinel2_Protest.pdf

Multi-scale graph representation learning for remote sensing image analysis
Nov 30 – Dec 1 all-day

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

Laboratoire/Entreprise : IRISA (OBELIX team)
Durée : 6 months
Contact : minh-tan.pham@irisa.fr
Date limite de publication : 2020-11-30

Contexte :
In the past few years, the amount of earth observation missions using remote sensing technologies has increased dramatically, providing a huge number of multimodal data coming from different sensors: optical, radar, lidar, etc. The need of efficient and reliable methods for multimodal remote sensing data analysis becomes crucial to exploit their complementary information for tackling various applications such as land-cover mapping and updating, scene understanding, urbanization trend detection and prediction, etc. Among modern techniques, object-based approach using graph model appears to be a promising solution.

Sujet :
This internship proposal aims at studying the ability of graph structures to model and characterize the spatial relationships of objects and regions from an image at different scales. That means we are interested to work on object/region levels, not the pixel level from the image. From the achieved graph structures, recent frameworks based on graph representation learning (e.g. graph convolutional neural networks, graph autoencoder) and graph distance metric learning could be investigated to perform structured graph embedding into robust feature spaces. For remote sensing applications, we are interested in various tasks including image retrieval, classification and scene matching, with applications to ecological or humanitarian challenges. More specifically, this work will concentrate on extracting meaningful spatial graphs that can be used for reasoning (akin to [5]). The work will leverage on theoretical works developed in the team [6] to design sensible loss between graphs objects to learn efficiently neural networks that will predict the graph structure.

Potential outcomes of the internship will lead to publications in remote sensing, computer vision or machine learning fields, depending on the nature of the contributions. Let us finally note that this internship will be part of the AI chair OTTOPIA funded by ANR (starting beginning of 2021), for which potential fundings are available for the candidate to enter a PhD track after the internship.

For more information: https://www-obelix.irisa.fr/files/2020/10/stageM2_graph_2020.pdf

Profil du candidat :
Student Master 2, Ecole d’Ingénieur or equivalent with excellent academic track;

Formation et compétences requises :
• Background in computer science and/or machine/statistical learning and/or applied mathematics for signal and image processing;
• Excellent programming in Python (familiar with one of deep learning packages, such as PyTorch or Tensorflow, is a must.)

Adresse d’emploi :
Université Bretagne Sud – IRISA (OBELIX team: https://www-obelix.irisa.fr/), Vannes 56000, France

Document attaché : 202010141228_stageM2_graph_2020.pdf

Stage R&D – Intégration de TRISKELE à OTB
Nov 30 – Dec 1 all-day

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

Laboratoire/Entreprise : IRISA/équipe OBELIX
Durée : 6 mois
Contact : francois.merciol@irisa.fr
Date limite de publication : 2020-11-30

Contexte :
L’équipe OBELIX (OBsErvation de L’environnement par Imagerie compleXe, www.irisa.fr/obelix) est une jeune équipe de l’IRISA, au caractère international marqué. Elle s’intéresse aux thématiques de l’analyse et la fouille de données (image) en lien avec des problématiques environnementales. Les données traitées sont
massives, multidimensionnelles (multi- ou hyper-spectrales), bruitées, hétérogènes (multi-sources) et présentent un caractère spatio-temporel (séries d’images). Un partenariat a été établi avec le CNES et SIRS-CLS concernant l’analyse d’images satellite. Dans ce cadre l’équipe a développé une librairie et des logiciels C++ permettant une représentation hiérarchique des images du non de TRISKELE (https://gitlab.inria.fr/obelix/triskele/).

Sujet :
L’objectif du stage consiste donc dans un premier temps en un état des lieux des différentes sources bibliographique de TRISKELE [1,2] et OTB [3]. Puis de mettre en avant les différences de stratégie de traitement. OTB réalise des traitements localisés et permet de gérer les données en flux. Triskele de part les caractéristiques hiérarchiques opte pour un traitement global. Cependant, Triskele offre également un tuilage pour paralléliser les calculs. Le manuel d’utilisation de TRSISKELE se trouve ici : http://francois.merciol.fr/IRISA/2020_Triskele_Manual.pdf

Pour plus des informations: https://www-obelix.irisa.fr/files/2020/10/2020-Stage-IRISA-Merciol.pdf

Profil du candidat :
Master Recherche, Master 2 ou Ecole d’Ingénieurs

Formation et compétences requises :
Traitement d’image (expérience de l’imagerie aérienne, satellite, télédétection appréciée)
Maîtrise de l’anglais (langue de travail de l’équipe, littérature scientifique)
Maîtrise des outils de rédaction (Latex)
Maîtrise de la programmation et du développement (C++, cmake, GIT)
Esprit d’analyse
Travail en équipe

Adresse d’emploi :
IRISA, Bâtiment ENSIBS, Campus de Tohannic, 56000 Vannes

Document attaché : 202010280858_2020-Stage-IRISA-Merciol.pdf

Dec
5
Sat
2020
Classification de séquences temporelles de déformations 2D d’organes
Dec 5 – Dec 6 all-day

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

Laboratoire/Entreprise : LIS UMR CNRS 7020
Durée : 5 à 6 mois
Contact : marc-emmanuel.bellemare@univ-amu.fr
Date limite de publication : 2020-12-05

Contexte :
Dans le cadre d’un projet de recherche concernant la modélisation de la dynamique des organes pelviens (projet MoDyPe : http://modype.lsis.org) nous nous intéressons particulièrement à la déformation d’organes à tissus mous. Ce projet développé en collaboration avec des services de chirurgie du CHU La Timone (AP-HMarseille) vise à comprendre la physiopathologie des troubles de la statique pelvienne.

Sujet :
. Nous proposons une approche qui repose sur les résultats obtenus par la caractérisation de la dynamique des déformations des contours des principaux organes observés en 2D. Les principaux organes concernés par les pathologies sont observés par IRM dynamique 2D. Les déformations sont estimées à partir des contours extraits des images IRM de ces organes. Il s’agit alors de proposer une classification des patientes et de leurs pathologies, basée sur l’analyse de la réponse de descripteurs des déformations subies au cours du temps lors d’un « exercice de poussée ». Si ce premier résultat peut permettre une aide au diagnostic nous souhaitons en particulier mettre en évidence une parcellisation des contours des organes en fonction des déformations subies de sorte à pouvoir décrire les phénomènes en cours pour éventuellement pouvoir les reproduire par simulation bio-mécanique.

Profil du candidat :
Le candidat ou la candidate de niveau Bac+5, en formation d’ingénieur ou de master sera intéressé(e) par un projet pluridisciplinaire et l’imagerie médicale.

Formation et compétences requises :
La formation initiale attendue est dans le domaine du traitement des images. Des compétences en mathématiques appliquées seront particulièrement appréciées. Une expérience de la programmation avec l’environnement python est attendue. Le stage aura une durée de 4 à 6 mois avec la gratification d’usage

Adresse d’emploi :
Le travail se déroulera à Marseille au laboratoire d’informatique et des systèmes (LIS) dans l’équipe Image & Modèles. Le LIS UMR 7020 fédère plus de 375 membres. La recherche y est structurée au sein de pôles (calcul, science des données, analyse et contrôle des systèmes, signal et image), et centrée sur les activités dans les domaines de l’informatique, de l’automatique, du signal et de l’image

Document attaché : 202012051305_Sujet_Master2_ClassifDef2D.pdf

Stage en modélisation géostatistique
Dec 5 – Dec 6 all-day

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

Laboratoire/Entreprise : LITIS, Rouen Normandie
Durée : 4 à 6 mois
Contact : paul.honeine@univ-rouen.fr
Date limite de publication : 2020-12-05

Contexte :
La caractérisation des sites pollués s’effectue à l’aide de prélèvements de sol et d’analyses en laboratoire. Ces étapes longues et coûteuses limitent le nombre d’analyses réalisées sur le terrain. Dans ce contexte, L’entreprise Tellux développe des appareils de mesures innovants permettant d’analyser en temps réel la quantité de polluants.

Récemment des approches géostatistiques adaptées aux particularités des sites et sols pollués ont été développées pour cartographier les sols en fonction des quantités de matériaux contaminés. Elles visent à quantifier les incertitudes sur la quantité de polluants entre les sites de forages. Le couplage des analyses sur site et les méthodes géostatistiques, permettent d’envisager des campagnes de reconnaissance optimisées où le nombre et la localisation de nouveaux points de mesures sont déterminés au fur et à mesure de l’acquisition des données. Le but est de réduire l’incertitude sur la cartographie de la pollution.

Sujet :
L’objectif du stage est de concevoir et de tester les fonctionnalités d’un module de cartographie conçu à partir d’une librairie de fonctions existantes (méthode M-GS, développée par l’entreprise Estimages). Le stage se compose d’une étude bibliographique sur des algorithmes géostatistiques et la mise en œuvre d’algorithmes géostatistiques sur des données provenant d’un site réel. Cette démarche vise à tester les paramètres de la modélisation géostatistique afin de planifier des améliorations par des méthodes 3D, co-variogramme multiples, pour la poursuite du projet.

Profil du candidat :
– Étudiant.e en M2 ou 5ème année d’une école d’ingénieur, en génie mathématique ou sciences des données similaire, avec une motivation particulière pour les sciences des données (méthodes statistiques) ;

Formation et compétences requises :
– De solides compétences en programmation en Python ;
– De bonnes connaissances en statistique ;
– Un bon sens des relations humaines pour travailler en étroite collaboration avec l’équipe Tellux et les partenaires ;
– Un intérêt pour les sciences de la terre est un plus.

Localisation : Rouen
Rémunération : 600€ par mois
Possibilité de poursuite en thèse : oui

Contacts (CV + notes) : antonin.vanexem@tellux.fr, paul.honeine@univ-rouen.fr, maxime.berar@univ-rouen.fr thomas.demongin@estimages.com

Adresse d’emploi :
LITIS, Université de Rouen Normandie

Document attaché : 202012051433_Stage_géostatistique_LITIS.pdf

Dec
15
Tue
2020
Implémentation temps-réel de réseaux de neurones sur un système embarqué dans un véhicule autonome
Dec 15 – Dec 16 all-day

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

Laboratoire/Entreprise : UHA/IRIMAS EA 7499, Mulhouse, France
Durée : 6 mois
Contact : maxime.devanne@uha.fr
Date limite de publication : 2020-12-15

Contexte :
Le stage proposé s’inscrit dans le contexte actuel des véhicules autonomes. De nos jours, la perception de l’environnement autour du véhicule représente encore un verrou scientifique. Cette information est primordiale pour la planification de la trajectoire à suivre, et une erreur peut très vite coûter des vies. La perception de l’environnement peut se décomposer en deux tâches hiérarchiques : la détection des zones d’intérêt et l’analyse de la scène perçue. Ce stage se focalise sur l’analyse et l’interprétation de la scène. Une fois les zones d’intérêt détectées, il s’agira de définir le contour des potentiels obstacles (bounding boxes) ainsi que de définir la nature de ces obstacles (notamment leur caractère mobile ou non) et les caractériser (taille, vitesse…).
Avec l’augmentation des puissances de calcul, les approches basées données comme les réseaux de neurones et le Deep Learning permettent avec des données d’apprentissage, de concevoir un algorithme robuste et réactif à une grande variété de situations. Cependant, ces solutions sont extrêmement dépendantes des données d’entraînement, ainsi que des capacités de calcul des systèmes embarqués.
L’objectif de ce stage est d’implémenter dans les véhicules autonomes du laboratoire IRIMAS, des systèmes de perception basés sur le Deep Learning, et notamment sur les réseaux de neurones permettant d’intégrer les informations issues de plusieurs capteurs (cross-fusion).

Sujet :
Le/la stagiaire aura pour objectifs de faire un état de l’art sur les Réseaux de Neurones Convolutifs (CNN), ainsi que leurs applications à la perception des véhicules autonomes. Sachant que l’objectif est l’implémentation des algorithmes, le choix des solutions considérera comme critères la performance de l’analyse de la scène (« faux positifs », classification…) ainsi que le coût de calcul. Des méthodes de réduction de ce coût peuvent être explorées.
La partie pratique s’effectuera suivant la structure suivante : choix de l’algorithme de CNN cross-fusion, implémentation des algorithmes dans les systèmes embarqués des véhicules autonomes (PC embarqué ou GPU, programmation sous ROS/RTMaps/Python). Cette partie pratique s’accompagnera d’essais temps-réel sur les plateformes de recherche. De ces expérimentations techniques, le stagiaire analysera les résultats et fournira des pistes de recherche à la synthèse d’algorithmes de cross-fusion. L’ensemble des travaux de recherche réalisé par le/la stagiaire donnera lieu à des publications scientifiques pour des conférences internationales et/ou des journaux à facteur d’impact.

Profil du candidat :
Pour toute demande d’information supplémentaire ou pour candidater, merci d’envoyer CV, résultats de Master/ingénieur et lettre de motivation avant le 15/12/2020. Compte tenu de la situation d’urgence sanitaire actuelle, nous n’accepterons que des candidatures issues d’étudiant(e)s actuellement en études supérieurs sur le sol français.

Formation et compétences requises :
En dernière année de Master 2 ou équivalent
Compétences de programmation
Première expérience en deep learning

Adresse d’emploi :
UHA/IRIMAS EA 7499, Mulhouse, France

Document attaché : 202011171711_Stage_IRIMAS_CNN_2021.pdf

Specifying and Reasoning about Preferences over Inconsistent Knowledge Bases
Dec 15 – Dec 16 all-day

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

Laboratoire/Entreprise : LaBRI – Laboratoire Bordelais de Recherche en Info
Durée : 5 mois
Contact : meghyn.bienvenu@labri.fr
Date limite de publication : 2020-12-15

Contexte :
Accessing the relevant information contained in real-world data to support informed decision making is difficult, time-consuming, and error-prone due to the need to integrate data across multiple heterogeneous sources. Moreover, even if this first hurdle is overcome, a perhaps even more daunting challenge arises: how to obtain reliable insights from imperfect data? It is widely acknowledged that real-world data is plagued with quality issues, such as incompleteness (missing information) and errors (false or outdated information).

The ontology-mediated query answering (OMQA) paradigm facilitates access to (potentially heterogeneous) data sources through the use of ontologies that specify a convenient user-friendly vocabulary for query formulation (which abstracts from the way the data is stored) and capture domain knowledge that can be exploited at query time, via automated reasoning, to obtain more complete query results. For example, querying for patients with infectious heart disease is non-trivial due to the myriad of ways such a generic condition can manifest, but by leveraging the knowledge formalized in medical ontologies (like SNOMED CT), it is possible to correctly return patients diagnosed with Chagall’s disease, toxoplasma myocarditis, etc. The OMQA approach is relevant to a wide range of data-intensive applications, and recent industrial projects have witnessed its practical benefits.

While OMQA systems are growing in maturity, they too often fail to address the data quality issue, aside from issuing warnings when inconsistencies are discovered. To widen the applicability of the OMQA approach, it is essential to equip OMQA systems with appropriate mechanisms for handling imperfect data: how to obtain meaningful answers to queries posed over imperfect data, and how best to generate a high-quality version of the data ?

The Master’s internship is part of the INTENDED Chair on Artificial Intelligence, whose aim is to develop intelligent, knowledge-based methods for handling imperfect data. A PhD position on a related topic is available.

Sujet :
Several different inconsistency-tolerant semantics have been proposed with the aim of providing meaningful answers to queries posed over inconsistent knowledge bases. Recent work has focused on how to integrate preferences into such semantics in order to exploit information about the relative reliability of facts in the data.

The aim of this internship is to explore declarative languages for specifying preferences between facts in the OMQA context. Specifically, we envision rule-based preference languages, along the lines of “If the data contains Salary(EMP,s1) and Salary(EMP,s2) and s1>s2, then prefer Salary(EMP,s1) to Salary(EMP,s2)” or “If fact1 and fact2 are in contradiction, fact1 was inserted after fact2, and fact2 is not from source A, then prefer fact1 over fact2”.

After defining a syntax and semantics for such preference rules, the student will investigate the associated reasoning tasks: Can we decide whether a given set of preference rules always yields an acyclic preference relation? Do the rules always define a total relation (i.e. precisely determine how to correct the data)? How does adopting preference rules rather than assuming an explicit preference relation affect the complexity of query answering under preference-based semantics?

Profil du candidat :
This is a foundational research topic and no programming or implementation will be done during the internship. Rather the student will define formally a preference representation language and study its properties (with formal arguments and proofs).

Formation et compétences requises :
Candidates should be currently enrolled in a M2 program in computer science (or possibly mathematics, if accompanied by relevant computer science background).

Candidates should have some prior experience with logic, and knowledge of one of more of the following topics would be helpful: knowledge representation and reasoning (in particular, description logics), Semantic Web (ontologies), database theory, logic in AI, theoretical computer science (computational complexity).

Knowledge of French is not required, while strong English skills are desired. The working language can be either French or English.

Adresse d’emploi :
LaBRI, Université de Bordeaux, Talence, France

Document attaché : 202011111016_master1-intended.pdf