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

Laboratoire/Entreprise : LORIA/IADI/IECL
Durée : 12 months
Contact : fabien.lauer@loria.fr
Date limite de publication : 2019-12-30

Contexte :
The AIHD project ( https://aihd.loria.fr/ ) is an interdisciplinary project funded by the excellence initiative of the Université de Lorraine that aims at providing data-driven AI solutions for medical diagnosis and prognosis applications related to heart diseases. It involves partners from 3 laboratories: the LORIA, the IADI, and the IECL.

Sujet :
Several postdoc positions are offered in the framework of the AIHD project. See
https://aihd.loria.fr/jobs.html
for more details.

Profil du candidat :
We are looking for motivated and talented candidates holding a PhD in applied mathematics, computer computer science or a related field. An interest for medical applications and interdisciplinary research would be appreciated.

Formation et compétences requises :
Depending on the position, see https://aihd.loria.fr/jobs.html .

Adresse d’emploi :
Nancy

Document attaché :

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

Laboratoire/Entreprise : ICube – Université de Strasbourg
Durée : 5 ans
Contact : gancarski@unistra.fr
Date limite de publication : 2019-12-31

Contexte :
Nous avons le plaisir de vous annoncer la création d’une Chaire Industrielle “Sciences des Données et IA” à l’Université de Strasbourg.

Un appel à candidature est donc lancé pour un recrutement au 1er septembre 2019.

Pour son volet “Enseignements et Formations”, la personne recrutée rejoindra l’équipe pédagogique du département Informatique et Réseaux de TPS. Elle participera activement à la mise en place du nouveau diplôme en SD et IA. Elle participera aussi aux enseignements du Master d’Informatique.

Pour le volet “Recherche et animation scientifique”, cette personne œuvrera au développement des recherches en Sciences des Données et IA au sein du laboratoire ICube et contribuera à la mise en relations des industriels et des chercheurs dans ce domaine.

Sujet :
Grâce au financement de cette chaire, des moyens particuliers seront mis à la disposition de la personne recrutée tels que des allocations de thèse et des contrats post-doctoraux ainsi que des accompagnements techniques (ingénieurs) ou de fonctionnement.

Profil du candidat :
En plus d’une visibilité scientifique nationale et internationale reconnue, le/la candidat(e) devra avoir une bonne expérience de collaboration avec des industriels et être familier(e) avec des programmes de recherche collaborative.

Formation et compétences requises :

Une expérience à l’étranger ainsi que dans le montage et la gestion de projets scientifiques est indispensable.

Ce contrat devrait être pérennisé à l’issu des 5 ans par un poste de Professeur des Universités. Il s’adresse donc plus particulièrement aux personnes déjà titulaires d’une HDR ou proches de l’obtenir.

A noter qu’une forte compréhension du français écrit et oral est indispensable.

Adresse d’emploi :
Pour toute information sur les attendus et accompagnements de ce poste ainsi que sur les modalités de candidature et de recrutement (conditions, niveau de salaire, … ) n’hésitez pas à nous contacter :

Christophe Collet, Directeur de TPS
Pierre Gançarski, Directeur Adjoint d’ICube,

ICube – TPS
Université de Strasbourg
300 bld Sébastien Brant
67400 Illkirch

Document attaché : 2019-Profil-Chaire-Industrielle-TPS.pdf

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

Laboratoire/Entreprise : Institut Pprime
Durée : Permanent
Contact : Laurent.Cordier@univ-poitiers.fr
Date limite de publication : 2019-12-31

Contexte :
CNRS competition section 7 (Information sciences: Image and signal processing, computer graphics and vision, embedded systems and systems on chips, robotics, automatic control, human machine interaction, speech and language processing )

In order to promote interdisciplinarity, the INSIS department (the CNRS department on which the Pprime Institute depends) has decided to open a CRCN researcher position on the subject “Artificial Intelligence for Engineering” in a list of Laboratories whose the Pprime Institute is part of.

Sujet :
In this context, I am looking for an expert in artificial intelligence wishing to develop a research activity on “machine learning for fluid mechanics and heat transfer”. We are currently working in the group on control by Reinforcement Learning and on the identification of dynamical models by Bayesian inference. Beyond, I am open to any proposal on this theme.

Profil du candidat :
The candidate must have a fundamental sensitivity, allowing him/her to develop a numerical or theoretical approach, combined with a pronounced taste for applications. The recruitment process will be made by the section 7 of the CNRS without any input from the section 10 (Fluid and reactive media: transport, transfer and transformation processes). The candidate will be recruited at Institut Pprime (Poitiers) that belongs to the INSIS department of the CNRS. The proposed project should deal with control of turbulent flows and/or thermal transfers.

Formation et compétences requises :
Highly qualified in Machine Learning with a good academic profile and the desire to be interested in applications related to the fields of transport and energy.

Adresse d’emploi :
Institut Pprime
CNRS – Université de Poitiers – ISAE-ENSMA
SP2MI – Téléport 2
11 Boulevard Marie et Pierre Curie
BP 30179
F86962 FUTUROSCOPE CHASSENEUIL Cedex
France

Document attaché : Candidature_CNRS_Pprime_English-2020_Section7.pdf

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

Laboratoire/Entreprise : Universite Bretagne Sud / Lab-STICC
Durée : 12 months
Contact : francois.septier@univ-ubs.fr
Date limite de publication : 2019-12-31

Contexte :
Postdoctoral Research Position – Statistical Methods for pollution source estimation
Institution: CEA / DAM & Univ. Bretagne Sud, Lab-STICC UMR CNRS 6285
Advisors: Patrick Armand & François Septier

Sujet :
Subject
The threat of Chemical, Biological, Radiological and Nuclear (CBRN) attack is a frequent feature of the modern battlefield. Indeed, many rogue nations and terror groups seek to employ asymmetric warfare and some groups will be attracted by the use of chemical weapons to achieve major impact. As a consequence, rapid detection and early response to a release of a CBRN agent could dramatically reduce the extent of human exposure and minimize the cost of the subsequent clean up.

In the event of a CBRN incident, the assessment of the damage likely to be caused by the release is a problem of great importance. This assessment is usually undertaken using a predictive model for the mean transport and turbulent diffusion of the contaminant through the atmosphere, which in turn provides the information required to determine the temporal window and geographical extent of the hazard zone required in the formulation of an effective response. Unfortunately, an array of CBRN sensors by itself is not sufficient for this task, owing to the fact that detection of a toxic agent plume by the sensor array only indicates that a release has occurred, but without knowing the characteristics of the source (source location, mass, time release, agent type, etc.), the prediction of the dispersion of the contaminant in the atmosphere cannot be made.

The “reverse” estimation of source characteristics using a finite number of noisy concentration data obtained from an array of sensors has received quite a lot of attention in recent years since the importance of the solution of this problem for a number of practical applications is obvious. Nevertheless, there are still some issues for obtaining satisfactory results when the aim is to have a complete identification of the sources in urban scenarios where the presence of obstacles and the non-stationary meteorology have to be taken into account.

Most of the existing work is based on non-statistical methods, especially on direct-inversion procedures [1-3], where an inverse solution is obtained using an adjoint advection-diffusion equation [4]. Recently in [5,6], we propose a novel statistical method based on adaptive importance sampling. This technique has shown promising results to solve this complex Bayesian inference problem by providing accurately and efficiently the posterior distribution of the source’s characteristics.

In this project, we will study and propose advanced Monte-Carlo methods in order to facilitate the applicability of such statistical tools in practice. First, the aim will be to design methods which are able to estimate not only the main characteristics of the sources but also the parameters of the considered probabilistic model. Secondly, we want to propose an on-line version of the algorithm in order to sequentially process the sensor measurements as they arrive. Finally, an optimization procedure combined with such Monte-Carlo based inference algorithms in order to find “optimal” locations of the sensors in a given surveillance area will be studied.

References
[1] J. Pudykiewicz, “Application of adjoint tracer transport equations for evaluating source parameters,” Atmospheric En- vironment, vol. 32, pp. 3039–3050, 1998.
[2] J.-P. Issartel and J. Baverel, “Inverse transport for the verification of the Comprehensive Nuclear Test Ban Treaty,” Atmospheric Chemistry and Physics, no. 3, pp. 475–486, 2003.
[3] R. Brown, D. Dussault, R. Miake-Lye, and P. Heimback, “SCIPUFF Adjoint model for atmospheric transport and dispersion optimization,” Aerodyne Research, Report RR-1392, Tech. Rep., Billerica, MA 2005, 24pp.
[4] R. Errico, “What is an adjoint model?” Bulletin of the American Meteorological Society, vol. 78, no. 11, pp. 2577–2591, 1997.
[5] H. Rajaona, F. Septier, P. Armand, Y. Delignon, C. Olry, A. Albergel, and J. Moussafir, “An adaptive Bayesian inference algorithm to estimate the parameters of a hazardous atmospheric release,” Atmospheric Environment, vol. 122, pp. 748–762, Dec. 2015.
[6] H. Rajaona, “Inférence bayésienne adaptative pour la reconstruction de source en dispersion atmosphérique,” University of Lille1, Nov. 2016.

Profil du candidat :
Candidate profile
We are looking for a motivated and talented researcher, holding nationality from a European Union nation, with:%PhD student with
• a PhD in a relevant subject (engineering science, applied mathematics, computer science or physics)
• experience in several of the following areas: statistical inference, inverse methods, numerical analysis, programming, atmospheric dispersion, meteorological flow, fluid dynamics, etc
• good mathematical and computer skills
• experience in programming, preferably in Python and/or Fortran
• team spirit, determination and curiosity

Details
A one-year contract with the CEA (French Alternative Energies and Atomic Energy Commission) is available, starting as soon as possible. The selected candidate will be working at the Université Bretagne Sud located at Campus Tohannic in Vannes with François Septier (francois.septier_at_univ-ubs.fr) and in collaboration with Patrick Armand (patrick.armand_at_cea.fr) from the CEA in Arpajon near Paris.

Formation et compétences requises :
~

Adresse d’emploi :
Campus de Tohannic, Vannes, France

Document attaché : PostDoc_offer.pdf

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

Laboratoire/Entreprise : ICube / Université de Strasbourg
Durée : 36 mois
Contact : wemmert@unistra.fr
Date limite de publication : 2019-12-31

Contexte :
Digital Pathology is currently regarded as one of the most promising avenues of diagnostic medicine. With the recent advent of
Whole-Slide Imaging (WSI), the field of digital pathology produces daily a massive amount of images with related metadata (e.g.
patient information, diagnosis, treatment). In the context of colon cancer, such images could be used for both diagnosis and to
find some prognostic biomarkers. For example immune infiltrate are associated with better prognosis while high stromal contain
or tumor budding or poor differentiation status are associated with poorer outcome. Making these quantitative analysis is time
consuming for pathologist and frequently lack of reproducibility. To assist experts, automatic analysis of whole-slide images
(WSI) has been recently studied to predict survival outcomes or making tumor classification. The AiCOLO project aims to
contribute to the development of new artificial intelligence techniques trained on a large cohort of clinical annotated colon
cancer patients with a twofold objective. On the one hand, we will develop an innovative prognostic aid tool to automatically
classify tissues constituting WSI pathological slides and to enumerate the various known prognostic markers like TILS immune
infiltration, stromal contain or eosinophil count in the different areas. The method will be trained to find image patterns in tumor
tissue related to patients’ outcome. On the other hand, we will also propose a resolutely new approach to predict RAS and
BRAF genetic status from WSI. We aim to determine if artificial intelligence could detect patterns associated with such genetic
features and could outperform clinical or immune infiltrate variables.The idea is to study the activation layers of a deep network
trained to classify the patients in order to extract information to explain its decision.

Sujet :
The Engineering science, computer science and imaging laboratory (ICube, Strasbourg, France), associated with the Institute of Research in Computer Science, Mathematics, Automatics and Signal processing (IRIMAS, Mulhouse, France), opens a postdoctoral position for a computer scientist, in the field of artificial intelligence and histopathological whole slide images analysis, with a duration of 36 months (2019/12/01 – 2022/11/30).

In the context of the AiCOLO project described above, the appointee will work in close collaboration with the three partners of the project to develop the methodology for WSI analysis, spatial patterns extraction and the machine learning approach to classify
automatically the genetic mutation from HES images.
More specifically, the objective is to develop a complete methodology
enabling to assign a label to each image region. This problem
will be tackled by two complementary approaches: a pixel-based
method, in order to obtain a cartography of regions of interest for
the studied pathologies (inflammatory zones or tumors area) and
an object-based approach enabling to compute a list of biological
objects with their contour, localization and attributes. The main
workflow must be automatic in order to operate in an unsupervised
manner, which constitutes a crucial and challenging aspect of this
task. The WSI analysis system will rely both on previous work2, 3 and on novel techniques based on levellines decomposition of
an image4 and connected operators from mathematical morphology5 based on hierarchical representations. These latter methods
enable to analyze an image at the level of the connected components of its threshold sets (or other increasing transformation).
These methods are relevant in this context since (i) they enable to process an image in a contrast invariant way; (ii) they prevent to alter the contour of objects; (iii) they permit to compute object based attributes.
The work will also consists on the identification of genetic prognostic/predictive markers on HES slide. BRAF and RAS mutational status are mandatory required for the treatment of metastatic colon cancer. These markers are both prognostic and predictive of response to anti EGFR therapies. Recent data in lung cancer make the demonstration that gene mutations could affect the pattern of tumor cells on a lung cancer whole-slide image6. Training network using the presence or absence of mutated genes as a label revealed that there are certain genes whose mutational status can be predicted from image data alone: EGFR, STK11, FAT1, SETBP1, KRAS, and TP53 with good accuracy. The ability to quickly and inexpensively predict both the type of cancer and the gene mutations from histopathology images could be beneficial to the treatment of patients with cancer given the importance and impact of mutation in patient care. We propose to perform similar work on colon cancer and try to isolate feature detected by neural network to detect these mutation.

Profil du candidat :
The candidate should hold a PhD in computer science (preferably in computer vision or machine learning) and have excellent knowledge of the English language.

Formation et compétences requises :
Demonstrated experience in Python programming and Keras/Tensorflow libraries will be considered as an advantage.

Adresse d’emploi :
ICube
300 boulevard Sébastien Brant
67400 ILLKIRCH

Document attaché : 2019___AiCOLO_postdoc_position-compressé.pdf

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

Laboratoire/Entreprise : LIRIS
Durée : 12 mois
Contact : frederic.armetta@univ-lyon1.fr
Date limite de publication : 2020-01-01

Contexte :
Rémunération : ~2400 € Net mensuel
Date de début : début 2020, à discuter
Candidature : CV et lettre/mail de motivation (ou demandes de renseignements) à envoyer à frederic.armetta [at] univ-lyon1.fr

Différents datasets de recettes de cuisine ont récemment été rendus disponibles par exemple sur Kaggle [1]. Ce domaine culinaire devient un domaine d’application des méthodes d’apprentissage des réseaux de neurones profonds.
[1] Generating Personalized Recipes from Historical User Preferences, Bodhisattwa Prasad Majumder, Shuyang Li, Jianmo Ni, Julian McAuley, https://arxiv.org, 2019

Sujet :
Le post-doc proposé s’intéresse à indentifier des ingrédients de substitution lorsque certains ingrédients ne sont pas disponibles. Au cours de ce travail, on s’intéresse également à personnaliser des recettes (préférences, affinités culturelles, régimes spécifiques). Différents modèles pourront être développés, les propositions et initiatives seront encouragées.
Ce projet intervient dans le cadre du développement de la partie IA d’un assistant culinaire.

Le post-doctorant aura pour tâche :
* D’organiser différents jeux de données à des fins d’apprentissage
* D’expérimenter, évaluer et combiner les architectures neuronales les plus pertinentes pour un système de recommandation culinaire.
* Une ou plusieurs publications des travaux réalisés

N’hésitez pas à me joindre pour tout complément d’information.

Profil du candidat :
Spécialisation dans les méthodes du Deep Learning
Familiarisé avec les frameworks les plus courants (keras, pytorch, tensorflow, etc.)

Mots-clés : Apprentissage, Système de recommandation, Deep Learning (Embeddings, Auto-encodeurs, GANs, etc.)

Formation et compétences requises :
Titulaire d’un Doctorat en Informatique ou Ingénieur expérimenté, spécialisé en Apprentissage & Deep Learning

Adresse d’emploi :
Laboratoire LIRIS (liris.cnrs.fr)
Université Claude Bernard Lyon1
Bâtiment Nautibus
Campus de la Doua
25 avenue Pierre de Coubertin
69622 Villeurbanne Cedex

Document attaché :

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

Laboratoire/Entreprise : IRIT
Durée : 1 an
Contact : pierson@irit.fr
Date limite de publication : 2020-01-01

Contexte :
Le projet i-Nondations s’intéresse à la gestion des crues rapides. L’apprentissage intervient pour reconnaître, en amont et dans les premièrs temps d’une crise, les situations pouvant amener la crise (mode prédiction à court terme), et également prévoir les effets que des modifications des données d’entrées (plus de capteurs, un territoire modifié, des moyens mobilisés différents), pourraient avoir sur la crise et sa gestion (mode prédiction à long terme).

Sujet :
Dans le cadre du projet i-Nondations financé par l’ANR, l’équipe SEPIA recrute un PostDoc pour travailler sur les tâches relevant du machine learning dans le projet.
Il s’agira, en se basant sur un travail en cours réalisé dans l’équipe, de proposer des méthodes d’apprentissage les plus adaptées au cadre d’études.

Profil du candidat :
Docteur en Machine Learning

Formation et compétences requises :
Profil recherché :
– Analyse de données, techniques d’apprentissage
– Développement : Python, Java
– Connaissance de QGIS
– Curiosité et Autonomie, Travail en équipe.

Adresse d’emploi :
IRIT
118 route de Narbonne
Toulouse

Document attaché :

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

Laboratoire/Entreprise : LICIT – Univ. Gustave Eiffel
Durée : 12
Contact : angelo.furno@univ-eiffel.fr
Date limite de publication : 01/12/2020

Contexte :
We are looking for an enthusiastic Postdoctoral candidate to carry out research in the context of the ANR-funded DISCRET projet (French title: Démonstrateur d’ Identification de Situations Critiques via la Remontée de données multisources pour l’alErte en Temps-réel; English translation: Prototype for the identification of Critical Situations via multi-source data for real-time alert).
The goal of the project is to demonstrate the possibility to detect and locate, in real-time, unusual or critical situations in urban areas (e.g., attacks, fires, sudden weather-related events, etc.), based on the analysis of mobile phone probe network data. This detection will be complemented with information extracted from social networks (i.e., Twitter in the context of the project) and other sources of contextual data.
Several recent research works have shown that major events induce locally significant modifications of the amount and nature of cellular network communications [1]. These anomalies, typically concomitant with the unusual event, may be detected and located based on the network of cell phone antennas and the associated user-generated traffic information. The early detection and localization of the events allow for a more effective retrieval of information from the social networks. That permits to provide elements of description and context for the detected event and, therefore, to increase the confidence and the amount of information conveyed by the population via channels that are not explicitly conceived for alerting purposes.
A prototype of a warning platform for security and emergency operators will be implemented, tested and demonstrated as part of the whole project. The final prototype is expected to offer TRL 6 solutions by the end of the project that could be subsequently industrialized and operated by 2023, in the context of the Olympic Games that will be held in Paris in 2024.
The subject is at the interface between machine learning, big data processing, networking and transportation.

Sujet :
The Postdoc will have the unique opportunity to work on large-scale, already available mobile phone datasets, collected by the Orange French network provider, consisting in 2G, 3G and 4G network probe data, as well as more traditional Call Detail Records (CDR).
Additionally, novel highly-detailed datasets on the usages of Internet mobile phone apps from mobile phone users will be specifically collected in the framework of the project, as well as detailed information on the nature, occurrence and location of possible incidents during the observed events.
In a first phase, the activity of the postdoctoral candidate will consist in analyzing the collected data and extracting, via machine learning techniques and previous work from the team [2, 3], spatio-temporal fine-grained signatures of the typical network activity (aggregated at the antenna level) with different temporal resolution (5, 10, 60 minutes).
In a second phase, the postdoctoral fellow is expected to explore and define efficient classification techniques [4, 5] for the inference of atypical situations (increase in the volume of the communication and consumption activity of certain services, sudden growth of mobility-related events, change of signal shape, etc.) compared to prototypical mobile phone signatures as identified from phase 1.
This second phase will also focus on the creation of a process for periodic updating of signatures in order to adapt them to changes in the actual communication activity at certain places of interest.

Profil du candidat :
Data Science, Signal Processing, Machine Learning

Formation et compétences requises :
Anomaly Detection, Unsupervised/Supervised Learning, Statistical Learning, Signal processing

Adresse d’emploi :
Lyon, France (LICIT, UNIVERSITÉ GUSTAVE EIFFEL/ENTPE): https://goo.gl/maps/K19HBR4ETZ92

Document attaché : 202007221133_Call for postdoc – DISCRET.pdf

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

Laboratoire/Entreprise : Observatoire astronomique de Strasbourg (UMR 7550)
Durée : 12 mois
Contact : emploi-cds@astro.unistra.fr
Date limite de publication : 2020-01-15

Contexte :
Le Centre de Données astronomiques de Strasbourg (CDS) gère d’importantes bases de données qui sont des références pour la communauté astronomique internationale. Le CDS développe des services en ligne qui permettent d’accéder à ces bases et à les exploiter (http://cds.unistra.fr/). Le CDS compte parmi ses utilisateurs les agences spatiales (l’Agence Spatiale Européenne (ESA) et la NASA), les principaux observatoires, tel que l’Observatoire Austral Européen (ESO), ainsi que l’ensemble des instituts de recherche en astrophysique possédant une composante observationnelle. Le CDS est hébergé par l’Observatoire astronomique de Strasbourg, une Unité Mixte de Recherche du CNRS et de l’Université de Strasbourg.

Sujet :
Le service VizieR, du CDS, collecte, harmonise, et redistribue les catalogues d’objets astronomiques issues des missions spatiales et des publications scientifiques. Ce service est répliqué au sein des plus grands instituts et organismes mondiaux en astronomie : Cambridge (USA), CADC (Canada), IUCAA (India)… Avec plus d’un demi-million de requêtes par jour, VizieR est la référence mondiale en la matière.
VizieR s’appuie sur une base de données qui réunit 40,000 tables indexées et documentées. Les données sont accessibles via de nombreux services qui répondent aux protocoles de l’Observatoire Virtuel international en Astronomie. La mise à jour de la base de données est opérée par une équipe d’ingénieur(e)s documentalistes qui ajoute ~2000 tables chaque année et qui prend soin d’ajouter toutes les méta-données pour obtenir un service de qualité. Le service répond aux exigences des données ouvertes et est certifié comme centre de données de confiance.
Votre mission consistera à renforcer l’équipe d’ingénieurs informaticiens en charge de VizieR pour développer une nouvelle version de l’ingestion des données et de leur indexation. Les outils développés seront utilisés par les documentalistes dans un environnement Linux ; ils mettront en lignes des tables au format hétérogène dans une base de données PostgreSQL et extrairont les métadonnées nécessaires à la réutilisation des ressources pour l’ensemble de la communauté scientifique. Il conviendra aussi d’indexer l’ensemble des enregistrements en un index global dans un environnement où de nouvelles tables (pouvant dépasser le milliard de lignes) sont ajoutées chaque année. On utilisera pour ce faire les standards HEALPix et MOC (standards de l’Observatoire Virtuel an astronomie).
Le site Web du service VizieR: https://vizier.unistra.fr

Profil du candidat :
Ingénieur(e), éventuellement expert(e), en Ingénierie Logicielle

Rémunération : Suivant le niveau de formation et d’expérience, le recrutement en CDD pourra s’effectuer, suivant les règles de la fonction publique et de l’Université de Strasbourg, soit au niveau Ingénieur d’études (à partir de 1660 euros nets) soit au niveau Ingénieur de Recherche (à partir de 1940 euros nets)

Formation et compétences requises :
bac+5 (master ou ingénieur(e) diplômé(e)) en informatique

– Expérience avérée en développement Python, C, idéalement en environnement Linux
– La connaissance d’un autre langage comme langage Java ou Rust serait un plus
– Une expérience de création d’un analyseur syntaxique serait utile et appréciée
– Capacité à structurer son travail et à intégrer des outils et bibliothèques lorsque c’est possible
– Connaissances vivement souhaitées des bases de données relationnelles (PostgreSQL) et du langage SQL
– Anglais lu indispensable et capacité à présenter son travail
– Savoir communiquer en interne et en externe (collaborations techniques en anglais dans le cadre de projets internationaux)
– Goût du travail en équipe souhaité mais l’autonomie sera appréciée et encouragée.

Adresse d’emploi :
Observatoire astronomique de Strasbourg 11, rue de l’Université 67000 Strasbourg

Document attaché : 202012171857_CDS-PosteInfoCDDVizieR.pdf

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

Laboratoire/Entreprise : IMT Atlantique
Durée : CDI
Contact : ronan.fablet@imt-atlantique.fr
Date limite de publication : 2020-01-17

Contexte :
New Ass. Professor position open at IMT Atlantique in Data Science, with interest in Ocean Science and Technology.

Sujet :
The position relates to the newly-funded AI Chair Oceanix: https://rfablet.github.io/projects/2019-oceanix

Profil du candidat :
More information at: https://www.imt-atlantique.fr/en/associate-professor-data-science

Formation et compétences requises :
See link.

Adresse d’emploi :
IMT Atlantique, Brest

Document attaché :

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

Laboratoire/Entreprise : LIRIS UMR 5205
Durée : 18 mois
Contact : veronique.eglin@insa-lyon.fr
Date limite de publication : 2020-01-29

Contexte :
Le laboratoire LIRIS recrute un postdoc de 18 mois sur la recherche d’information multimodale. Ce poste est destiné à rejoindre un programme de prématuration du CNRS SYMTESENS (SYstème MulTimodal d’Extraction de données SENSorielles hétérogènes) qui couvre des thématiques autour de l’Archéologie du paysage sensoriel, les données hétérogènes, l’analyse sensorielle multimodale, le wordspotting, les approches sémantiques de la fouille de texte, l’apprentissage automatique. Le projet vise plus largement à industrialiser la production de paysages sensoriels telle qu’elle a été réalisée jusqu’ici dans le cadre du projet Bretez (reconstruction sonore du quartier du Châtelet dans le Paris du 19ème).

Sujet :
L’objectif est de concevoir et mettre au point une méthodologie de recherche d’information (de la méthode au moteur de recherche) dans les documents numérisés des archives (textes imprimés OCRisés ou non, textes manuscrits numérisés de faible qualité) autour des périodes 18ème-19ème siècle relatives à la ville de Paris. Le framework d’interrogation sera fondé sur la construction d’un dictionnaire terminologique conçu selon des techniques de word-embedding basées sur une modélisation du langage et des modèles attentionnels incorporant le contexte. L’objectif est de proposer une solution de recherche par le contenu en créant une véritable interaction texte/image (dans un espace de représentation joint liant les mots dans leur représentation textuelle et image) qui permettra une interrogation par requête au vocabulaire ouvert.

Profil du candidat :
Savoirs : indexation et classification d’images, reconnaissance de formes, techniques d’apprentissage, recherche d’information par le contenu, word-spotting, word-embedding (BERT ou ELMO)
Savoir-faire : maîtrise des environnements de développement, en particulier de la programmation C++ et usage de la libraire OpenCV, utilisation de librairies de deep-learning (Pytorch ou Tensorflow), réalisation de prototype fonctionnel
Savoir être : aisance dans le cadre d’un travail de groupe pluridisciplinaire, ouverture et communication avec des spécialistes des sciences humaines et sociales, autonomie et capacité à prendre des initiatives

Formation et compétences requises :
Formation: doctorat en informatique

Pré-requis: maîtrise de techniques de recherche d’information multimodale, de vision par ordinateur, d’apprentissage automatique, des bonnes notions des outils de TAL

Compétences: maîtrise des environnements de développement, en particulier de la programmation C++ et usage de la libraire OpenCV, utilisation de librairies de deep-learning (Pytorch ou Tensorflow), réalisation de prototype fonctionnel

Adresse d’emploi :
Laboratoire LIRIS UMR 5205
INSA Lyon, Bâtiment Joseph Fourier,
Campus de la Doua
20 avenue Albert Einstein
69621 Villeurbanne Cedex

Document attaché : AnnoncePostDoc2020.pdf

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

Laboratoire/Entreprise : Lab-STICC – site ENSTA Bretagne
Durée : 12 à 15 mois
Contact : alexandre.baussard@utt.fr
Date limite de publication : 2020-01-31

Contexte :
Le projet DEEPDETECT a été sélectionné par le programme ANR ASTRID financé par la DGA en 2018. Il a pour objectif le développement des méthodes pour résoudre les tâches de détection et de reconnaissance d’objets de petite taille dans des images. Deux applications sont particulièrement considérées : la détection et reconnaissance d’objets (véhicules) dans des images infrarouges ou la détection et la cartographie des populations de mammifères marins par imagerie satellitaire. Typiquement les éléments recherchés ont des tailles de 5×5 à 10×10 pixels dans les images. Mais d’autres contraintes sont aussi à noter : bases de données de tailles limitées, grande variété des fonds, masquages… Pour répondre à la problématique, une première phase du projet a consisté à étudier les solutions existantes, sélectionner les plus pertinentes et à les mettre en œuvre. Différents algorithmes basés sur des réseaux de neurones convolutifs ont notamment été mis en œuvre.

Sujet :
Dans le cadre de la deuxième phase de ce projet, pour lequel ce recrutement est ouvert, nous allons poursuivre ces travaux et nous intéresser à des problématiques plus spécifiques aux applications considérées comme le transfert d’apprentissage. On pourra notamment s’intéresser aux problèmes liés à l’apprentissage à partir de données de synthèse et de test sur données réelles en contexte opérationnel.
A noter que la personne recrutée pourra éventuellement se rendre à Paris (pour une durée pouvant aller jusqu’à 2 mois) dans les locaux de l’entreprise partenaire de ce projet afin de mettre en œuvre les solutions apportées, les tester et évaluer leur robustesse face à des situations opérationnelles.

Profil du candidat :
La personne recherchée aura un diplôme d’ingénieur et/ou un doctorat.

Attention ce recrutement est soumis à des contraintes de nationalité : Nationalité Française ou européenne

Formation et compétences requises :
La personne recherchée doit avoir un bon niveau en mathématiques appliquées, traitement des images (détection, classification, segmentation…) et en programmation. La connaissance des méthodes d’apprentissage profond et les outils pour les mettre en œuvre (notamment tensorflow) sera un plus.

Adresse d’emploi :
Pour candidater, envoyer un CV complet ainsi que les coordonnées de personnes référentes pour avis à alexandre.baussard@utt.fr

Document attaché :

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

Laboratoire/Entreprise : Irstea
Durée : 12 mois
Contact : sandro.bimonte@irstea.fr
Date limite de publication : 2020-02-01

Contexte :
Dans le cadre du projet ANR VGI4bio.fr un CDD de 12 mois pour travailler en stricte collaboration avec les partenaires du projet est financé.
L’importance de la protection de la biodiversité et sa relation aux pratiques agricoles est bien connue. Pour construire les indices de biodiversité, des données d’observation sont nécessaires à grande échelle spatiale et temporelle. Un grand nombre d’observateurs doit être mobilisé, à un coût qui serait prohibitif à moins qu’ils ne soient volontaires dans des programmes de science citoyenne. Dans ce cadre intervient l’Observatoire Agricole de la Biodiversité (OAB) qui se propose de faire remonter des données de biodiversité dans le milieu agricole (en particulier pour les systèmes en arboriculture, cultures pérennes, grandes cultures, maraichage, prairie et viticulture et sur 4 types de taxon). L’OAB est pilotés par le Ministère en charge de l’Agriculture. Quatre protocoles sont actuellement proposés concernant des taxons choisis et mis en place depuis 2011. L’OAB est structuré en relais départementaux, qui mettent en oeuvre la récolte de données. Aussi les données volontaires mobilisées par la Ligue de Protection des Oiseaux Aquitaine (LPO) seont mobilisées.
Dans ce contexte, le projet ANR en cours VGI4Bio (vgi4bio.fr), démarré en 2018, vise à proposer une méthodologie pour permettre aux volontaires de concevoir les indicateurs de biodiversité agricole dans une démarche participative et les implémenter dans les systèmes d’entrepôts de données spatiales (EDS) et OLAP spatial (SOLAP). Les systèmes SOLAP permettent l’analyse de grandes quantités de données via des interfaces web avec des tableaux de bords composés de tableaux croisés dynamiques et cartes interactives. Le succès d’un projet SOLAP repose essentiellement sur deux facteurs : (i) une conception d’un modèles de données EDS et (ii) une représentation cartographique conforment aux attentes et aux besoins de décideurs.

Sujet :
Objectifs
Les objectifs principaux du CDD sont : (1) la finalisation du modèle d’entrepôts de données spatiales et du processus d’ETL ; (2) le déploiement de l’outil SOLAP sur un serveur web pour mettre à disposition des décideurs l’entrepôt de données.
Pour attendre l’objectif une analyse des besoins d’analyse des partenaires en écologie-agronomie doit être finalisée. Ces besoins d’analyse concernent les données à analyser mais aussi les méthodes de geovisualization à utiliser. En plus, la complexité de données de l’OAB et LPO nécessite de mettre en place des structures d’entrepôts de données spatiales qui nécessitent des réflexions importantes pour pouvoir les implémenter dans l’architecture SOLAP du projet vgi4bio.
Le projet de stage nécessite donc de :
1. Travailler sur les entrepôts de données
2. Travailler avec des vrais décideurs et problèmes d’analyse
3. Travailler en équipe
4. Travailler dans une vraie architecture OLAP
Planning
1. Etude de l’entrepôt de données existant
2. Etude de besoins d’analyse
3. Extension du modèle d’entrepôt de données existant
4. Extension de l’ETL existant
5. Configuration du serveur web pour la mise en ligne de l’application OLAP
6. Définition des politiques d’accès à l’application en ligne

Profil du candidat :
1. Entrepôts de données et OLAP (Mondrian est un plus)
2. ETL (Talend est un plus)
3. SGBD (Postgres est un plus)
Des connaissances en SIG et données spatiales est un plus important

Formation et compétences requises :
Master 2

Adresse d’emploi :
Irstea, Clermont Ferrand

Document attaché :

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

Laboratoire/Entreprise : Mission Infrastructures et Données Numériques de l’IRD
Durée : 14 mois
Contact : jean-christophe.desconnets@ird.fr
Date limite de publication : 2020-02-13

Contexte :
Face aux enjeux sociétaux que soulèvent les changements climatiques et leur impact sur les milieux naturels et les sociétés, les scientifiques ont la responsabilité d’observer et de collecter les éléments des écosystèmes étudiés afin d’en évaluer l’état, prédire les changements et proposer les adaptations nécessaires à la société. Ces approches se doivent d’être interdisciplinaires et fournir une vision commune et partagée des objets d’études. Elles reposent sur la collecte de données acquises par différents modes d’observation. Des dispositifs d’accès à ces données spatiales ont vu le jour à l’échelle européenne. Parallèlement, et à l’exemple des OSU, des systèmes d’observation in situ se sont structurés. Malgré ces différents dispositifs de partage, l’utilisation conjointe de données satellitaires et in situ reste délicate, voire impossible.

Sujet :
Mutualiser les données et les connaissances pluri-disciplinaires massives dans les sciences de l’environnement afin de contribuer à un partage pérenne et interopérable des données spatiales et in situ.

L’objectif de ces travaux est d’aider à la compréhension de phénomènes naturels ou anthropiques à partir d’observations et de points de vue différents. Pour cela, il s’agit de proposer des innovations méthodologique et technologique qui permettent de répondre à cette question. Plus précisément, il est envisagé de construire un modèle de médiation de données et de connaissances apportant une vision partagée de la notion d’observation et assurant le rapprochement des différents points de vue disciplinaires. Au-delà de la portée scientifique, la construction de briques logicielles est proposée pour améliorer les dispositifs techniques associés aux observatoires et d’une manière générale, aux plateformes numériques de données et de traitements scientifiques. Les travaux souhaitent avoir une forte résonance dans le paysage scientifique européen et international.

Travaux

Les travaux du post-doctorant suivront deux axes :
• Un axe académique pour explorer et proposer une approche sémantique à la recherche de données provenant de différentes communautés scientifiques et issues de divers capteurs d’acquisition. Le but est d’améliorer leur découverte, leur localisation, leur accès puis leur traitement. Le modèle de protocole d’observation O & M (Observation and Measurement) est envisagé comme un modèle de haut niveau (modèle de médiation) et fait l’objet de travaux préliminaires. Il nous permet de décliner selon quelques cas d’utilisation, leur domaine respectif, les éléments relatifs à l’acquisition et la caractérisation de leurs données (capteur, protocole, objet d’intérêt, propriété mesurée). Il permet ainsi d’aborder sereinement l’interopérabilité dans sa globalité (syntaxique et sémantique).
• Un axe plus technique qui vise la réalisation d’un prototype testé et validé sur des cas d’étude emblématiques de la recherche IRD au Sud. Pour cela, le prototype exploite le modèle ontologique construit pour identifier rapidement les données d’intérêt conformément à son point de vue (mise en oeuvre de services d’appariement entre métadonnées et de raisonnement).

Réalisations
Suite aux travaux réalisés en 2019, ces deux axes ont été investis. Ils ont permis 1) de synthétiser les besoins et les pratiques des chercheurs en matière de recherche et de partage de données qu’il sera nécessaire d’enrichir, 2) de proposer, de tester et valider le modèle O & M sur quelques cas d’utilisation qu’il s’agira d’étendre à d ‘autres études interdisciplinaires, et enfin 3) de produire un premier prototype exploitant le modèle O & M à des fins de recherche. Ce dernier devra être étendu aux autres dimensions du modèle, sa logique de recherche validée avec les chercheurs (cognitive walkthrough).

Profil du candidat :
Activités
Suite aux premiers travaux effectués et au modèle sémantique résultant, il s’agira de :
1. Synthétiser les besoins et les pratiques des chercheurs en matière de recherche et de partage de données
2. Proposer, tester et valider le modèle sémantique proposé sur quelques cas d’utilisation qu’il s’agira d’étendre à d ‘autres études interdisciplinaires,
3. Produire un premier prototype exploitant le modèle sémantique à des fins de découverte des données. Ce dernier devra être étendu aux autres dimensions du modèle, sa logique de recherche validée avec les chercheurs (cognitive walkthrough).

Formation et compétences requises :
Doctorat en informatique. Une spécialité en ingénierie des données et des connaissances est exigée. Une expérience dans le domaine de données spatio-temporelles en environnement sera un plus
Une connaissance approfondie :
• de la modélisation des connaissances au travers des logiques de description
• des langages du web sémantique (RDF, SKOS, OWL, SPARQL, SWRL) et des supports de développement logiciel (UML, Java, librairie Jena)
• du domaine spatio-temporel (ontologies temporelle et spatiale, normes de métadonnées)
• de la gestion de données (SGBD, SQL notamment PostgreSQL/PostGIS)

Adresse d’emploi :
Mission Infrastructures et Données numériques, Maison de la Télédétection, Montpellier

Document attaché : Postdoc-MIDN-2019-JCD.pdf

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

Laboratoire/Entreprise : DANTE team at ENS de Lyon
Durée : 2 years
Contact : remi.gribonval@inria.fr
Date limite de publication : 2020-02-28

Contexte :
The DANTE team at ENS de Lyon, France is seeking highly qualified candidates for a postdoctoral position on the algorithmic and mathematical foundations of resource-efficient machine learning, in the context of the ACADEMICS project (Machine Learning & Data Science for Complex and Dynamical Models) funded by the IDEXLyon.

Sujet :
Sample research topics include (download pdf version of the offer at http://people.irisa.fr/Remi.Gribonval/wp-content/uploads/2019/11/Postdoc-position-open-at-ENS-de-Lyon-2019.pdf):
-Expressivity and Robustness of Sparse Deep Networks;
-Provable Algorithms for Sparse Deep Learning;
-Random Sketches for Efficient Manifold & Graph-based Learning.

Profil du candidat :
The recruited postdoc will conduct a vigorous research program within the scope of the ACADEMICS project, and is expected to show independence and team working attitude at the same time.

Formation et compétences requises :
The successful candidate, which can come from different areas (applied mathematics and statistics, signal processing, machine learning, information theory, computer science) is expected to bring expertise to the ACADEMICS task force and will be encouraged to develop collaborations with other groups at ENS de Lyon.

Adresse d’emploi :
Location : http://www.ens-lyon.fr/en/

Applicants are requested to send a detailed CV, a list of publications and a brief statement of research interests. This material, together with two letters of reference, shall be sent to Rémi Gribonval

Document attaché :

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

Laboratoire/Entreprise : WIPSEA Rennes (+ IRISA Vannes)
Durée : Permanent
Contact : contact@wipsea.com
Date limite de publication : 2020-03-01

Contexte :
WIPSEA, an innovative French startup, based in Rennes, specialized in image analysis for environmental assessment, offer you an opportunity to use your know-how to help to reconcile wildlife and human activities. WIPSEA develop high tech software products and innovative solutions to help reserves and protected areas managers, regional planner, public and private research departments in ecology to census wildlife in the field.

Sujet :
You will work as a first step in collaboration with OBELIX team from IRISA research institute (UMR 6074) that is playing a leading role in AI and Computer Vision for Earth and Environment Observation. Senior researchers form OBELIX group in Vannes will supervise your scientific work, while you will integrate a WIPSEA growing team where you will have the opportunity to collaborate with a research engineer, a software engineer and a manager specialized in real-time video processing. You will benefit from the expertise of a research team and bring your expertise in your field within the company during specification and integration phases and as customer support. You will be asked to publish scientific articles and patents therefore an excellent talent for writing in scientific French and English is required. You will give presentations and demonstrations in public during conferences, symposiums, exhibitions or appointment with customers, in France or abroad so performance skills will be a plus.

Profil du candidat :
You love researching, specifying, analyzing, developing, tuning, testing, enhancing and optimizing image analysis algorithms based on Deep Learning technics and/or OpenCV (C/C++) and/or any other language used to prototype (python) and produce efficient software solutions.
You are curious, dynamic and persistent. Environment, sustainable development and biodiversity protection are important for you and you would like to give meaning to your work in this domain. Come and join us!

Formation et compétences requises :
You are computer scientist with a PhD in one or more of the following domains: computer vision; pattern recognition; image/video analysis, processing, understanding; machine learning; aerial imaging, remote sensing. Preferred candidates will have one or more years of experience in a post-doctoral position in one or more of these areas. You haven’t got any permanent position in a French company (“CDI”) since your PhD graduation but you search one.

Adresse d’emploi :
WIPSEA, Rennes

Document attaché : 2019_11_27_WIPSEA-COMPUTER-VISION-SCIENTIST-PERMANENT-POSITION.pdf

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

Laboratoire/Entreprise : INRA MISTEA
Durée : 3 ans
Contact : mistea.emploi@gmail.com
Date limite de publication : 2020-03-01

Contexte :
Le système d’information OpenSILEX (http://www.opensilex.org) est développé à l’INRA. Il aide à répondre aux défis majeurs de l’agriculture : produire des aliments sains, réduire l’impact environnemental ou encore s’adapter au changement climatique.

Sujet :
La personne recrutée sera responsable de la conception, du développement, des tests et de l’intégration de solutions innovantes dans OpenSILEX.

Profil du candidat :
Ingénieur en développement de systèmes d’information
Langage Java maîtrisé et langages du Web appréciés
Web services REST appréciés
Langages du Web Sémantique (RDF, OWL, SPARQL, etc) appréciés

Formation et compétences requises :
Master ou éventuellement Licence Professionnelle Informatique

Adresse d’emploi :
Campus INRA/Supagro,
2 place Pierre Viala
34080 Montpellier

Document attaché : CDD-MISTEA-09-2019.pdf

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

Laboratoire/Entreprise : ICube UMR 7357 (Strasbourg)
Durée : 34 months
Contact : wemmert@unistra.fr
Date limite de publication : 2020-03-01

Contexte :
The AiCOLO project aims to contribute to the development of new artificial intelligence techniques trained on a large cohort of clinical annotated colon cancer patients with a twofold objective.
On the one hand, we will develop an innovative prognostic aid tool to automatically classify tissues constituting WSI pathological slides and to enumerate the various known prognostic markers like TILS immune infiltration, stromal contain or eosinophil count in the different areas. The method will be trained to find image patterns in tumor tissue related to patients’ outcome.
On the other hand, we will also propose a resolutely new approach to predict RAS and BRAF genetic status from WSI. We aim to determine if artificial intelligence could detect patterns associated with such genetic features and could outperform clinical or immune infiltrate variables.The idea is to study the activation layers of a deep network trained to classify the patients in order to extract information to explain its decision.

Sujet :
The objective is to develop a complete methodology enabling to assign a label to each image region. This problem will be tackled by two complementary approaches: a pixel-based method, in order to obtain a cartography of regions of interest for the studied pathologies (inflammatory zones or tumors area) and an object-based approach enabling to compute a list of biological objects with their contour, localization and attributes. The main workflow must be automatic in order to operate in an unsupervised manner, which constitutes a crucial and challenging aspect of this task.

Profil du candidat :
PhD in computer science

Formation et compétences requises :
PhD in computer science

Skills in:
– Machine learning
– Deep learning
– Image analysis
– Python programming

Adresse d’emploi :
ICube UMR 7357
300 bd Sébastien Brant
F-67412 Illkirch
France

Document attaché : 2019___AiCOLO_postdoc_position_compressed.pdf

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

Laboratoire/Entreprise : Loria – Inria Nancy, Orpailleur group
Durée : 2 years
Contact : adrien.coulet@loria.fr
Date limite de publication : 2020-03-01

Contexte :
The postdoc will be at the Loria in Nancy, France
It is funded for 1 year, jointly by the ANR project PractiKPharma, and the I-site LUE (Lorraine University of Excellence)
The start date is fexible, but preferably not later than March 1st, 2020. It is extendable for a second year.
The postdoc will work with Adrien Coulet (Orpailleur team, Loria, Inria,Nancy) and Anne Gégout-Petit (Bigs team, Institut Elie Cartan, Inria, Nancy).
The project is also an opportunity to maintain an existing collaboration with the Shah Lab at Stanford University. Part of the experiments will be conducted with
data from the Shah Lab. Accordingly few travels to Stanford will be planed.

Sujet :
The aim of this postdococtoral project is to build upon previous results by first developing approaches that from EHR data identify without a priori groups of patients with distinct response profiles to particular drugs. Second, discovered groups will be used to identify predictors of drug response profiles.
We want to study the use of the causal inference framework (Hernàn and Robin, 2019), and in particular of double robust approaches to identify groups with heterogeneous
treatment effect, or in other words with significantly different drug response profiles. Through others, (Athey and Imbens, 2016) introduced Causal Trees for subgroup analyses. Those are regression trees with modied splitting rules that maximise the difference in treatment effect between groups. Causal Trees have
been reused to propose an ensemble method named Causal Forest that has the advantage of being non-parametric and consistent. These models will allow us to estimate the causal effect of the phenotype on the drug response.
A second objective of the project is to develop high performance predictive models for drug response profiles that we aim at identifying with causal methods.
These models can be seen as classifiers that assign individuals to a specific profile. A first challenge here is to develop real predictive models, i.e., models that are trained only on data collected prior to the prescription of the drug. A second challenge is to identify a subset of good predictive features that may help in interpreting group belonging and heterogeneous drug responses.
The set of drug studies will first be pharmacogenomic drugs, i.e, drugs known to present a variability in the population for genomic reasons, and will potentially be extended in a second time to other drugs of interest.

Profil du candidat :
Candidate’s background can be a PhD in machine learning, data mining, stats, biomedical informatics, bioinformatics or epidemiology (or other).

Formation et compétences requises :
Idéalement Apprentissage automatique, apprentissage profond, mais ne vous censurez pas.

Adresse d’emploi :
Loria – Inria Nancy, http://www.loria.fr/

Document attaché : postdoc_subject_adrien.pdf

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

Laboratoire/Entreprise : GREYC
Durée : 14 mois
Contact : luc.brun@ensicaen.fr
Date limite de publication : 2020-02-31

Contexte :

The postdoctoral position is funded under the research project
IGIL supported by the Region Normandy (France). The IGIL project
gathers companies, engineering schools and universities around the
design of new generation human/computer interfaces using tactile
and non tactile recognition of gestures.

The present post doc is focused on non tactile interactions by the
recognition of gestures implying both hands and arms.

Sujet :
Background:

3D gesture recognition is becoming more and more popular and is now
integrated in commercial solutions such as gesture control in cars
like BMW. However, gesture recognition may be applied in a much wider
set of applications where complex interactions (which can not be
easily performed by voice) occur and where a tactile contact with the
screen is not possible or not convenient. The IGIL project falls
within that line of research and aims at developing a generic and
innovative intelligent 3D gesture recognition system able to
recognized complex gestures made by both hands with an identification
of individual fingers.

Objectives and challenges:
—————————

The project will be based on available commercial tools to extract the
skeleton of the arms / fingers. This point is thus not an objective of
the post doc who will focus his work on the recognition step.

The first step will consist to assimilate the methods and
algorithms for gesture recognition and prediction already
developed by the team. Based on these method, the postdoc will
have to develop methods for online gesture recognition. This last
step includes the conjoint recognition of gestures and the
segmentation of the gesture stream.

Work plan:
———–

As previously mentioned , the position will start by a state of
the art and an understanding of the deep learning methods already
developed by the team. This first step should take 2 months and
will allow to provide first results to the other partners of the
project. The second step, evaluated to 11 months will consist
in designing a deep learning architecture and to train it in
order to perform online recognition of gestures. The last step, evaluated to
1 month, will consists in designing a functional prototype and to
evaluate its performances (in terms of size of the training set,
precision and recall) to be distributed among the members of the
project.

Profil du candidat :

Interpersonal skills and the ability to work well individually or as a member of a project team are recommended.

Good written and verbal communication skills are required, the
candidate has to be fluent in spoken French or English and written
English. Working language can be English or French.

Formation et compétences requises :
The candidate must have a recent Ph.D. (within 5 years) in Computer Science (or Applied Mathematics) in the field of Machine Learning.

Knowledge and experience within Deep Learning frameworks is highly recommended.

The candidate will perform research and algorithmic developments and
solid programming skills are required.

Adresse d’emploi :
Location:
———–
GREYC-ENSICAEN
6 Boulevard du Maréchal Huin
14050 Caen

Situated in the Normandy region of France close to the sea and about 240km west of Paris Caen still has many old quarters, a population of
around 120,000 the city area has roughly 250,000 inhabitants.

Some photos: https://caen.maville.com/info/detail-galerie_-Caen-en-images-_344_GaleriePhoto.Htm

Document attaché :