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

Laboratoire/Entreprise : LaTIM (Brest) ou CReSTIC (Reims)
Durée : 2 ans
Contact : nicolas.passat@univ-reims.fr
Date limite de publication : 2024-12-31

Contexte :
L’imagerie médicale en néonatologie est un domaine complexe et crucial pour le diagnostic et le suivi des nouveau-nés prématurés. Cependant, l’exploitation des données hétérogènes issues de multiples sources (IRM, échographie, EEG) est un défi majeur

Ce projet financé par l’ANR implique les laboratoires du CReSTIC (Reims), LaTIM (Brest) et GRAMFC (Amiens) ainsi que l’entreprise Kitware SAS (Lyon). Les postes à pouvoir seront localisés à Reims (université de Reims Champagne-Ardenne) et Brest (IMT Atlantique).

Sujet :
Le projet vise à développer des méthodes numériques et des outils logiciels pour:
• Comprendre les trajectoires de neurodéveloppement.
• Surmonter les défis liés à l’hétérogénéité des données.
• Mettre en correspondance les données multiphysiques et multidimensionnelles.
• Aider à l’analyse d’information en signal et imagerie par des approches d’IA.
• Développer des outils de visualisation multiphysique.

Plus spécifiquement, il s’agira de s’intéresser aux objectifs suivant :
1. Calcul de biomarqueurs du neurodéveloppement anatomique. Nous considérerons les informations complémentaires fournies par l’échographie et par l’IRM afin de déterminer la géométrie (ex. plissement cortical, épaisseur) et le volume des structures d’intérêt
(cervelet, cortex, corps calleux, thalami) et leur évolution.
2. Définition des trajectoires neurodéveloppementales. En agrégeant les biomarqueurs structurels et fonctionnels préalablement affinés, l’objectif sera de développer des modèles et des outil s dédiés à la comparai son entre t rajectoires neurodéveloppementales « de référence » et trajectoires « pathologiques ». Une telle modélisation de la maturation cérébrale permettrait la reconnaissance précoce des
troubles du développement neurologique chez les prématurés et l’évaluation d’interventions et de neuroprotection adaptées.

Les méthodes développées seront utilisées pour analyser des cohortes de données néonatologiques et contribuer à l’amélioration des soins aux nouveau-nés prématurés.

Profil du candidat :
Les compétences requises pour mener à bien ce travail concernent l’apprentissage machine, le traitement d’images, et les mathématiques appliquées. Des connaissances en informatique et en programmation (Python) seront également requises afin de développer les algorithmes associés.

Formation et compétences requises :

Adresse d’emploi :
Brest – LaTIM
Reims CReSTIC

Nicolas Passat – email : nicolas.passat@univ-reims.fr
François Rousseau – email : francois.rousseau@imt-atlantique.fr

Document attaché : 202405220755_2024-HINT.pdf

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

Laboratoire/Entreprise : SONDRA, L2S, CentraleSupelec
Durée : 18 mois
Contact : chengfang.ren@centralesupelec.fr
Date limite de publication : 2025-01-01

Contexte :
Coastal RADAR aims to control and monitor the maritime surface. By matching transmitted and received electromagnetic waves, radar is able to detect and range vessels whose back-scattered a sufficiently strong signal relative to the sea clutter. The detection performance generally depends on the target’s Radar Cross Section (RCS) and the clutter noise power, which can be summarized by the Signal to Noise Ratio (SNR). In a rough sea state (e.g., 5 on the Douglas sea scale), the detection performance of small vessels hidden by strong sea clutter (Bragg clutter) can deteriorate drastically. The postdoc aims to innovate and improve detection methods previously developed in SONDRA and L2S laboratory in this context.

Sujet :
The postdoc will first investigate robust detection methods such as Adaptive Normalized Matched Filters (ANMF) [1], which require estimating the covariance matrix of secondary data in a robust manner [2]. The covariance matrix estimation step could include prior information on the structure using either Riemannian geometry [3] or optimization under persymmetric [4], Toeplitz [5], Kronecker constraints [6], etc. This step could be crucial for improving detection and mitigating the probability
of false alarms. The second direction investigates deep learning approaches to handle a detection, segmentation or/and generation scheme, either end-to-end or in an unrolling way [7, 8]. The latter approach can be less data-hungry and easier to interpret. Since radar data are complex-valued, an architecture based on Complex-Valued Neural Networks (CVNN) [9] can be exploited to learn radar phase information. Meta-learning methods can be investigated to improve detection performance. The developed algorithms will be tested on CSIR database and maritime data collected by our partner BOWEN.
This position is fully funded by ANR ASTRID Maturation for 18 months.

Profil du candidat :
We seek a highly motivated postdoctoral fellow to investigate statistical and deep learning methods for detection in Radar. The ideal candidate should possess the following qualifications:
• A robust background in machine learning, signal processing, or applied mathematics (statistics,
optimization, etc.).
• Strong programming abilities in either Matlab or Python.

Formation et compétences requises :

Adresse d’emploi :
Centralesupélec, 3 Rue Joliot Curie, 91190 Gif-sur-Yvette, France

Document attaché : 202409101551_Postdoc_BOWEN.pdf

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

Laboratoire/Entreprise : IRIT – Université Toulouse Capitole
Durée : 12 months
Contact : julien.aligon@irit.fr
Date limite de publication : 2025-01-10

Contexte :

Sujet :
An opening for a postdoctoral position at the IRIT laboratory, Université Toulouse Capitole, is available for research into the explainability of predictive models for time series.

This 12-month postdoctoral position is being offered in collaboration with the LIFAT laboratory at the University of Tours. The position is part of the ANR AIDA project, which aims to develop new actionable and explainable models for water resource management in partnership with BRGM: https://www.brgm.fr/en/identity/brgm-glance

Further details may be found in the attached document.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Université Toulouse Capitole, Site de la Manufacture des Tabacs, 21 Allée de Brienne 31000 Toulouse

Document attaché : 202412031500_Post-doc ANR AIDA.pdf

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

Laboratoire/Entreprise : LIST3N
Durée : 10 to 12 months
Contact : alexandre.baussard@utt.fr
Date limite de publication : 2025-01-10

Contexte :

Sujet :
The research proposed in this project fall within the field of physical informed neural networks for electromagnetic applications. The aim is to use this type of method to generate synthetic data to deal with the lack of data in some applications. Until now, the solution has been to use simulators based on physical models. Several levels of modeling can be used such as approximate physical models or the so-called exact models. However, these models are either too simplified or too time-consuming and computationally demanding. Moreover, even if in theory the exact models can consider all the physical phenomena, at the end there always exist differences with real data.
The goal of this project is to evaluate the physical informed neural networks (PINNs) as an alternative solution to physical models. PINNs are becoming increasingly popular but there are still number research works to do, especially when dealing with 3D problems. We also must take into account the fact that the electromagnetic field is complex-valued. In this project we will first evaluate PINN to compute the scattered field from object considering 2D configurations. Depending on the results, 3D problems can be considered.

Profil du candidat :
We are looking for a highly motivated candidate to study PINNs for electromagnetic applications. The candidate should possess the following qualifications:
• A robust background in machine learning, signal processing, or applied mathematics
• Strong programming abilities in Python and PyTorch.

Formation et compétences requises :
Research engineer or Ph.D. with strong experience in deep learning and, if possible, PINNs. Basic knowledge of electromagnetism and modeling would be appreciated.

Adresse d’emploi :
LIST3N – Université de Technologie de Troyes

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

Laboratoire/Entreprise : Institut UTINAM, UMR 6213 CNRS / UMLP
Durée : poste permanent
Contact : jose.lages@univ-fcomte.fr
Date limite de publication : 2025-01-16

Contexte :
L’Institut UTINAM (http://www.utinam.cnrs.fr), UMR 6213, est une unité mixte de recherche sous la double tutelle CNRS et Université Marie et Louis Pasteur (https://www.umlp.fr). Cette unité compte une centaine de personnels et mène des recherches en astrophysique (évolution et structure de la Galaxie, dynamique et composition des petits corps du système solaire), en physique théorique (technologies quantiques, réseaux complexes), en physique moléculaire (calculs ab initio, DFT) et en chimie (matériaux et surfaces fonctionnels, sonochimie et traitement de surfaces).

Le ou la titulaire sera intégré-e à la Plateforme d’Informatique Scientifique de l’Institut UTINAM (PISU), située à Besançon sur le site historique de l’Observatoire des Sciences de l’Univers THETA (https://theta.obs-besancon.fr), et sera sous la responsabilité hiérarchique du responsable de la plateforme. Il ou elle interagira de façon quotidienne avec les chercheurs des 5 équipes de recherche et aura accès aux clusters CPU/GPU de l’unité, de l’Université, ainsi qu’aux supercalculateurs nationaux. Il ou elle bénéficiera d’une visibilité internationale forte via le Modèle de la Galaxie de Besançon (service national d’observation de l’INSU, référence mondiale pour la préparation et l’exploitation des missions spatiales).

Cette fonction ouvre droit à la perception de l’Indemnité de Référence pour les Informaticiens (IRI).
Après 6 mois d’ancienneté, une partie importante des activités sont télétravaillables selon accord avec le responsable et dans le respect de la réglementation CNRS. Formations et accompagnement assurés.

Le poste sur lequel vous candidatez se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST) et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l’autorité compétente du MESR.

Sujet :
L’ingénieur-e de recherche aura pour mission de fournir une expertise de haut niveau en calcul scientifique, calcul haute performance et intelligence artificielle au service des projets de l’unité (astrophysique galactique et du système solaire, physique théorique, physique moléculaire), d’assurer la maintenance, l’optimisation et le développement des codes scientifiques – notamment le Modèle de la Galaxie de Besançon -, et d’apporter un appui numérique transversal aux chercheurs, y compris sur les aspects informatiques généraux de l’unité.

Activités
1. Contribuer à la maintenance, l’optimisation et le développement du Modèle de la Galaxie de Besançon (Service National d’Observation de l’INSU) :
– mise à jour des composantes (dynamique, populations stellaires, chimie, extinction),
– intégration de nouvelles contraintes observationnelles stellaires (Gaia, Euclid, LSST, Roman, etc.) et interstellaires (données hyperspectrales CO, HI4PI, SKA, etc.),
– intégrer de nouveaux outils d’intelligence artificielle (machine learning, deep learning), gestion du service web et du client Python

2. Développer et déployer des méthodes d’intelligence artificielle et d’apprentissage machine pour accélérer les simulations, traiter les grands volumes de données et améliorer les modèles (ex. : réseaux de neurones pour classification/cartographie 3D, ML-DFT, LLM, analyse de réseaux complexes…)

3. Apporter un appui expert en calcul haute performance et calcul scientifique aux chercheurs
– Optimisation de codes (parallélisation MPI/OpenMP/CUDA, GPU, Fortran/C++/Python)
– Participer à la rédaction de propositions de projets (ANR, Europe, GENCI), à la valorisation scientifique et à la formation interne sur les méthodes IA/calcul scientifique
– Traitement et analyse de données massives (LSST, Gaia, Euclid…) et/ou hyperspectrales

4. Concevoir, administrer et maintenir bases de données scientifiques de l’unité, outils de workflow et stockage pour les projets de l’unité

5. Contribuer au support informatique transversal de l’unité :
– aide à la gestion des clusters locaux CPU/GPU,
– aide à l’installation/configuration logicielle,
– maintenance d’outils internes

Profil du candidat :
Savoirs :
– Expertise approfondie en calcul scientifique et HPC (parallélisation, GPU, CUDA, MPI, OpenMP)
– Maîtrise avancée de Python scientifique (numpy, scipy, pandas, jax, workflow) et Fortran/C++ (codes legacy)
– Expertise en intelligence artificielle et apprentissage machine (PyTorch/TensorFlow, scikit-learn, réseaux de neurones…)
– Connaissances solides en bases de données et big data (SQL/NoSQL, HDF5, formats astronomiques)
– Connaissances en astrophysique ou en physique computationnelle appréciées
– Connaissances sur les impacts environnementaux du numérique et des leviers de réduction de ces impacts appréciées
– Anglais technique et scientifique : niveau C1 minimum (lu, écrit, parlé)

Savoir-faire :
– Développer, optimiser et maintenir des codes scientifiques complexes sur clusters et supercalculateurs
– Concevoir et entraîner des modèles IA/ML pour applications astrophysiques et physiques
– Gérer le cycle complet de projets calcul/IA (développement, tests, déploiement, documentation)
– Maîtriser des outils de gestion de versions pour le développement de projets numériques. Une connaissance des outils de développement collaboratifs type GitHub, Jenkins, Travis, etc. est souhaitable
– Assister et former des utilisateurs en calcul numérique et IA
– Rédiger documentation et articles scientifiques en français/anglais

Savoir-être :
– Autonomie et initiative
– Rigueur et fiabilité
– Pédagogie et sens du service
– Capacité d’adaptation rapide
– Excellente aptitude au travail interdisciplinaire

Formation et compétences requises :
Réservé aux agents CNRS (fonctionnaires et CDI) et aux fonctionnaires et CDI de droit public

Adresse d’emploi :
https://emploi.cnrs.fr/

https://emploi.cnrs.fr/Offres/MOBINT/UMR6213-MOBINT-P58005/Default.aspx

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

Laboratoire/Entreprise : Laboratoire Informatique, Image et Interaction (L3
Durée : 1 an
Contact : cyrille.suire@univ-lr.fr
Date limite de publication : 2025-01-31

Contexte :
L’IUT de La Rochelle recrute un ATER en informatique (section 27), intégration en recherche au laboratoire L3i de La Rochelle Université et enseignement majoritairement en BUT Informatique à l’IUT de La Rochelle

Sujet :
L’IUT Informatique de La Rochelle recrute un ATER à temps complet en 27e section à compter du 1er de janvier
2025. Le (la) candidat(e) recruté(e) devra intervenir sur plusieurs enseignements du programme national du BUT
Informatique, parmi :
– Gestion des données : relationnelles et non structurées
– Génie logiciel et développement d’applications
– Architecture des systèmes et réseaux

Le(la) candidat(e) devra avoir une activité de recherche avérée permettant de s’intégrer dans l’une des trois équipes
de recherche du Laboratoire Informatique, Image, Interaction (L3i), laboratoire de recherche du domaine des
sciences du numérique de La Rochelle Université.

Se référer au profil détaillé

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Département informatique, IUT de La Rochelle.
Laboratoire L3i, La Rochelle Université

Document attaché : 202411040924_PROFIL-POSTE-ATER-INFORMATIQUE-1.pdf

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

Laboratoire/Entreprise : ISTerre Grenoble / Lamont Columbia University
Durée : 24
Contact : sophie.giffard@univ-grenoble-alpes.fr
Date limite de publication : 2025-01-31

Contexte :
This post-doc is part of the ANR EDAM: Earth Deformation from Automatic Mapping. Most of geological natural hazards such as earthquakes and landslides remain, up to now, unpredictable although the processes governing them are today well apprehended thanks to advances in geophysics. In South America, while the volcanoes and the subduction megathrust are well identified, the majority of crustal faults (i.e. associated to continental crust deformation and not to subduction megathrusts) and landslides are not precisely mapped or not even known. The inventory task is largely incomplete as it is currently done manually in the field or by visual analysis of remote sensing data by geological surveys. It is an impossible task regarding the km-scale ongoing deformations all over South America. In particular, there is a need to locate the active slow ground movements. Thanks to Synthetic Aperture Radar (SAR) imaging by several SAR missions (such as the Sentinel-1 constellation), it is now possible to extract ground deformations at the centimeter accuracy since 2015. The recently processed Interferometric SAR (InSAR) time series (from the
complex pipeline by Thollard et al. 2021) covering in particular the Andes for the period 2014-21 provide unprecedented coverage at the continental scale. Yet, the automation of deformation detection, in particular at a large scale, has only been scarcely tackled.

Recent machine learning techniques have revolutionized the fields of natural language processing and then image processing by constructing foundation models able to be trained using unlabelled data itself
(usually a large set) to generate supervisory signals. The learned extractor generates relevant embeddings, which can then be used for various downstream tasks having only a small number of labelled samples. This technique has been very recently successfully applied for remote sensing data: the same geospatial foundation model can be the backbone of different applications, such as crop classification and flood
mapping (Jakubik et al. 2023). Yet, they do not give satisfactory results for earth deformation applications, because: 1) the acquisitions (i.e. image bands) to rely on are largely different from most of other earth
observation tasks, usually made to analyze land cover (using only optical and hyperspectral bands) while we are interested in structure and shape (where topography is key) and displacement (from InSAR); 2)
the extracted relevant features, i.e. embeddings, are largely unrelated to earth deformation. Indeed, earth deformation is usually a low signal mostly independent to land surface appearance.

Sujet :
The goal of this post-doc is to develop a foundation model able to capture active deformation features from InSAR. In particular, we want to combine both optical-related (RGB, topography) and radar-related (wrapped interferograms and temporal coherence map). This self-supervised model will then be used directly for two downstream tasks, the identification of faults (earthquake ruptures and creeping faults) and the detection of landslide movements (slow-moving landslides and landslides ruptures). We already have a recent database of slow-moving landslides visible in InSAR over South Peru, and the InSAR as well as DEM over the region has already been processed at ISTerre. Finally, the post-doc will interact (with a visit to Peru) with Peruvian partners in order to interpret the results and transfer the knowledge and the codes.

Profil du candidat :
We look for a motivated post-doctoral fellow, who did his/her PhD in either deep learning image processing, remote sensing, or geoscience. The post-doc will be located at ISTerre, Grenoble, within a team of many interdisciplinary students and post-docs. On top of the stimulating remote sensing environment within ISTerre, he/she will work closely with S. Giffard-Roisin, who will be on leave at Columbia University for the beginning of the contract. A few-month visit to NY is thus planned, depending on the dates and contract duration.

Formation et compétences requises :
This interdisciplinary work necessitates the knowledge of either A) deep learning and in particular recent image processing methods with cluster computing skills, and/or B) remote sensing and in particular radar interferometry. Geoscience background would be a plus, or at least a curiosity towards geoscience applications. Of course, good communication skills are fundamental, as well as a good English knowledge. Spanish would be a plus but not mandatory.
The start date is between March 2025 and November 2025.
Send me a CV with an email summarizing few lines of context of why you want to apply as soon as possible.

Adresse d’emploi :
ISTerre, Université Grenoble Alpes

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

Laboratoire/Entreprise : CRAN-Université de Lorraine
Durée : 36 mois
Contact : marianne.clausel@univ-lorraine.fr
Date limite de publication : 2025-02-01

Contexte :
Causality and more generally eXplainable AI (XAI) is one of the hot current topics of the AI scientific community, with many applications in medicine, material sciences, environment, marketing…
.
We invite for applications for a PhD thesis position within the CAUSALI-T-AI project of PEPR IA project funded by the ANR (2023-2029) about generative AI for causality (more details below). The thesis will take place in the Simul Research Group of Centre de Recherche en Automatique de Nancy. International scientific collaborations with US can also be planned. We have strong connections with T. Adali’s research group who is the scientific leader of the Machine Learning for Signal Processing Laboratory in the University of Maryland (Baltimore, USA)

Sujet :
In machine learning, generative models allow one to model the probabilistic behavior of a wide range of physical systems, including applications in finance, medical imaging, climate science, among others. They allow one to perform tasks, including generating new data, but also the inference of latent (unobserved) quantities (e.g., the presence or not of a disease) and to solve other tasks such as time-series forecasting.
Recent advances in generative models have been strongly supported by advances in the field of deep neural networks, leading to great experimental performance. However, they also suffer from one of the main shortcomings of deep learning methods, namely, the theoretical understanding of their behavior which is still an open question (e.g., uniqueness of representations, approximation capability, generalization, etc.).
Such theoretical guarantees are very important for generative models when they are used for inference tasks: in applications such as in medicine, it is crucial to know that a representation learned by the model is unique or stable. Moreover, on the one hand, models that are unique such as (nonlinear) structural equation models (SEMs) can reveal the causal mechanisms of the underlying physical system. On the other hand, such results also guarantee that statistical inference or forecasting results will not suffer significant changes (which could change the result of a diagnostic) due to, e.g., different choices of initializations in an optimization algorithm, or small changes in selected hyperparameters. Discovering a unique generative model in the presence of unobserved latent factors of variation is also a cornerstone of other aspects of causal reasoning, as it is useful in the computation of counterfactuals.
The general goal of this project is to solve practical statistical inference tasks using generative models while:
1) from a modeling perspective, addressing some nonidealities in the data, such as nonstationariety, or differences between statistical distributions or acquisition conditions of different measurements (e.g., precipitation data acquired over different geographical locations, medical data from different groups of subjects, etc.),
2) from an algorithmic perspective, developing solutions that take those nonidealities into account and can provide better results when such conditions are met in practice, and 3) studying the theoretical properties of the models in a general context, including, for instance, uniqueness, stability and approximation capabilty, investigating different hypothesis that can support such results and also some choices related to the algorithm (e.g., what properties weight matrices in rank neural networks need to satisfy, what do we need to assume about the distribution of the data, etc.)

Profil du candidat :
Master Student in Computer Science/Machine Learning or Applied Math

Formation et compétences requises :
machine learning-data science

Adresse d’emploi :
Simul Research Group @ CRAN

Faculté des Sciences et Technologies

Campus, Boulevard des Aiguillettes

54506 Vandœuvre-lès-Nancy

Website : https://cran-simul.github.io/

Document attaché : 202411011605_GenAI-Causality.pdf

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

Laboratoire/Entreprise : Télécom SudParis
Durée : CDI
Contact : djamel.belaid@telecom-sudparis.eu
Date limite de publication : 2025-02-21

Contexte :

Sujet :
Télécom SudParis,
École de l’Institut Mines-Télécom (IMT) et
Membre de l’Institut Polytechnique de Paris (IP Paris)

Télécom SudParis, recrute un(e) Maître(sse) de Conférences en informatique.

La fiche de poste ainsi que le lien pour candidater sont accessibles ici :
Fr : https://institutminestelecom.recruitee.com/o/mc-informatique-inf
(En: https://institutminestelecom.recruitee.com/l/en/o/mc-informatique-inf)

Date limite de dépôt des candidatures : 21 février 2025
Date prévue pour le début du contrat : septembre 2025 (flexible)
Localisation : Campus de Télécom SudParis, Évry, France

Contacts : Djamel Belaïd (djamel.belaid@telecom-sudparis.eu), Sophie Chabridon (sophie.chabridon@telecom-sudparis.eu)

Merci de relayer l’annonce auprès de vos contacts potentiellement intéressés.

————————

Télécom SudParis is hiring an assistant/associate Professor (Maître de Conférences)
in Computer Science.

The job description and the link to apply are available here:
Fr: https://institutminestelecom.recruitee.com/o/mc-informatique-inf
(En: https://institutminestelecom.recruitee.com/l/en/o/mc-informatique-inf)

Application deadline: February 21, 2025
Expected starting date: September 2025 (flexible)
Location: Campus of Télécom SudParis, Évry, France

Main contacts: Djamel Belaïd (djamel.belaid@telecom-sudparis.eu), Sophie Chabridon (sophie.chabridon@telecom-sudparis.eu)

Thank you for sharing the announcement with potentially interested contacts.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Télécom SudParis, Palaiseau, Évry

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

Laboratoire/Entreprise : Université de Paris-Dauphine – PSL
Durée : 1 an renouvelable
Contact : bruno.chavesferreira@dauphine.fr
Date limite de publication : 2025-02-25

Contexte :
Créé au sein de l’Université Paris Sciences et Lettres (PSL) et hébergé à Paris Dauphine, l’Institut « Applied Computational Social Sciences » a pour vocation de renforcer la recherche sur les grandes problématiques sociétales (cohésion politique et sociale, transition écologique, transformation numérique, efficacité et compétitivité économique) en articulant sciences des données et sciences sociales.

L’Institut collecte et traite à large échelle des données hétérogènes tant pour permettre des avancées scientifiques que pour contribuer à éclairer le débat public et la décision. Il réunit sur une équipe pluridisciplinaire de chercheurs en sciences sociales et s’appuie sur une équipe d’ingénieurs en sciences de données qui apportent leurs expertises pour constituer des bases de données originales et opérer des traitements complexes. Ces projets sont initiés et portés par des laboratoires du CNRS, de Dauphine, de l’ENS, de l’INSP et des MinesParis-Tech. Les résultats des travaux ont vocation à être largement diffusés auprès de partenaires institutionnels et du monde économique.

Sujet :
Dans le cadre du développement de l’Institut ACSS, l’Université PSL recrute un ingénieur de recherche (IR) en science des données. Elle/il sera chargé(e) de mettre en œuvre des méthodes et outils de collecte et traitement de données issues de sources variées (Web, bases de données institutionnelles, archives, etc.). Elle/il aura également la responsabilité de veiller au respect des bonnes pratiques en matière de développement et de gestion du code et des données. Enfin, elle/il contribuera au développement de modèles statistiques ou d’apprentissage automatique (notamment dans le domaine du traitement automatisé de la langue naturelle).

Profil du candidat :
Diplôme d’ingénieur en informatique (ou mathématiques/statistiques) avec au moins 3 ans d’expérience ou titulaire d’un doctorat avec une thèse dans le domaine.

Formation et compétences requises :
Expérience dans le développement de réseaux de neurones profonds et autres modèles statiques avancés appliqués au traitement automatisé du langage sur de larges corpus.
Maîtrise des écosystèmes Python et/ou R dédiés à la science des données.
Plus spécifiquement en Python, maîtrise de numpy, pandas, pytorch et l’environnement hugging face.
En R, maîtrise du tidyverse, de tidymodels et des bibliothèques associées, ainsi que de torch.
Maîtrise des bases de données relationnelles et NoSQL.
Compréhension des méthodes scientifiques des sciences humaines et sociales.

Adresse d’emploi :
Université de Paris Dauphine – PSL
Pl. du Maréchal de Lattre de Tassigny, 75016 Paris

Document attaché : 202410250904_Ingenieur_IR_ACCS_2024_2_fr.pdf

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

Laboratoire/Entreprise : ONIRIS, VetAgroBioNantes
Durée : CDI
Contact : veronique.cariou@oniris-nantes.fr
Date limite de publication : 2025-02-26

Contexte :
L’École Nationale Vétérinaire, Agroalimentaire et de l’Alimentation (Oniris VetAgroBio Nantes) forme plus de 1200 élèves, en proposant notamment des formations correspondant aux métiers de technicien supérieur et d’ingénieur dans les domaines agroalimentaire, sciences de l’alimentation et biotechnologies, ainsi qu’aux métiers de vétérinaire.
Dans une optique de renforcement de ses compétences, Oniris souhaite recruter un(e) candidat(e) avec un profil Science des données.
Cet enseignant-chercheur (H/F) sera rattaché à l’unité pédagogique Mathématique, Statistique et Informatique (MSI) composée de cinq enseignants-chercheurs et un enseignant. Sur le plan de la recherche, il intégrera l’USC 1381 INRAE/Oniris StatSC dont les champs d’application s’inscrivent principalement en sensométrie et en chimiométrie.

Sujet :
En première et deuxième année du cycle ingénieur, l’enseignant-chercheur interviendra dans les enseignements en science des données couvrant la statistique appliquée, les mathématiques et l’informatique et dans des enseignements pluri disciplinaires. En troisième année du cycle ingénieur, il/elle interviendra au sein de l’approfondissement FOO’DS (Formulation, Optimisation, Organoleptique et Data Science) et pourra s’impliquer dans les enseignements des Masters co-accrédités.
L’enseignant-chercheur sera intégré à l’USC INRAE/Oniris StatSC (Statistique, Sensométrie et Chimiométrie). La recherche qui y est menée est à caractère méthodologique et finalisé. Elle est principalement orientée vers l’analyse de données multiblocs, la classification, la réduction de la dimensionnalité et la modélisation dans des espaces de grande dimension. Un intérêt particulier sera porté sur la capacité du (de la) candidat(e) à mobiliser des approches par apprentissage statistique et apprentissage profond pour mieux répondre à de telles problématiques.

Profil du candidat :
Il est attendu des aptitudes pédagogiques et scientifiques avérées, la capacité à être moteur et force de proposition, ainsi qu’une appétence pour l’interdisciplinarité et les interactions avec le monde de l’entreprise et de la recherche dans le domaine des sciences de l’alimentation.

Formation et compétences requises :
L’enseignant-chercheur devra être titulaire d’un doctorat dans le domaine de la statistique ou de la science des données.

Adresse d’emploi :
Oniris VetAgroBio,
Campus Science de l’aliment
Rue de la Géraudière, CS 82225, 44322 Nantes

Document attaché : 202502251518_MC_Science des donnees.pdf

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

Laboratoire/Entreprise : LESIA, Observatoire de Paris-PSL
Durée : 18 mois
Contact : baptiste.cecconi@obspm.fr
Date limite de publication : 2025-03-01

Contexte :
Le projet OPAL (Ontology Portal for Astronomy Linked-data) vise à créer une instance OntoPortal (https://ontoportal.org) pour l’astronomie, nommée ontoportal-astro, afin de fédérer et organiser les vocabulaires et ontologies des différentes sous-communautés scientifiques liées à l’astronomie, la physique des particules, et la planétologie et l’héliophysique. Ce projet s’inscrit dans un cadre de collaboration avec des initiatives telles que ESCAPE (https://projectescape.eu), EOSC (https://eosc.eu) et FAIR-IMPACT (https://fair-impact.eu), pour améliorer l’interopérabilité des données scientifiques à travers des artefacts sémantiques FAIR.

Sujet :
Missions principales :
● Développement d’ontologies :
Développer et/ou consolider des ontologies et des artefacts sémantiques FAIR pour les communautés scientifiques impliquées dans le projet OPAL (astronomie, héliophysique, sciences planétaires, physique des particules).
● Curation de données sémantiques :
Coordonner la gestion et la curation des artefacts sémantiques dans ontoportal-astro. Veiller à la conformité aux principes FAIR (Findable, Accessible, Interoperable, Reusable).
● Accompagnement des équipes :
Travailler en collaboration avec les experts du domaine pour identifier et formaliser les besoins en matière d’ontologies. Accompagner les communautés scientifiques dans le développement, l’intégration et l’utilisation des ontologies.
● Gestion des métadonnées :
Assurer la qualité et la gestion des métadonnées des ontologies en utilisant des standards comme SKOS, OWL et RDF. Proposer des méthodes d’évaluation FAIR et des rapports d’amélioration.
● Maintenance technique :
Collaborer avec les équipes techniques pour maintenir et optimiser les services d’accès aux ontologies (SPARQL, API, etc.), et garantir l’intégration avec d’autres outils de la communauté scientifique.

Profil du candidat :
Master ou diplôme équivalent en informatique, sciences de l’information, ou domaine connexe, ou PhD en science de l’information.
● 2 à 5 ans d’expérience en gestion de données, conception d’ontologies ou modélisation des connaissances.
● Excellente capacité de communication pour collaborer avec des scientifiques de différentes disciplines.
● Autonomie, capacité à prendre des initiatives et à résoudre des problèmes techniques complexes.

Formation et compétences requises :
● Connaissances en ontologies et modélisation des connaissances :
Solide expérience dans la création et l’utilisation d’ontologies dans un environnement scientifique (compétences en OWL, RDF, SKOS).
● Développement et intégration d’ontologies :
Expérience avec des plateformes similaires à OntoPortal, et familiarité avec des standards du Web sémantique.
● Accompagnement des utilisateurs :
Expérience dans la collaboration avec des communautés scientifiques pour identifier les besoins sémantiques et formaliser des ontologies adaptées.
● Gestion des données scientifiques :
Maîtrise des pratiques de gestion et de curation de données dans un contexte de recherche, avec une attention particulière à l’interopérabilité et à la conformité FAIR.
● Outils informatiques :
Connaissance des API Web, SPARQL endpoints, et autres outils d’indexation et de visualisation des ontologies.

Adresse d’emploi :
LESIA, Observatoire de Paris. 5 Place Jules Janssen, 92190 Meudon, France

Document attaché : 202412061244_OPAL position Observatoire de Paris.pdf

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

Laboratoire/Entreprise : Institute of Genetics and Development of Rennes
Durée : 24 months
Contact : helene.bouvrais@univ-rennes.fr
Date limite de publication : 2025-03-01

Contexte :
We wish to welcome a highly motivated postdoctoral researcher in our multi-disciplinary team at the Institute of Genetics and Development of Rennes (https://igdr.univ-rennes.fr/en/). Research in the team focuses on the robustness of cell division through fluorescence microscopy and quantitative biophysical approaches, using the nematode model organism Caernorhabditis elegans. The ongoing development of an automated microscope allows the team to extend its studies to human cell lines in culture, without synchronization, a key requirement for the studying division robustness.

Sujet :
The recruited postdoctoral researcher will be an integral part of the on-going research project, funded by the ANR and focused on the study of the regulatory role of microtubule rigidity in cell division. He/she will work on the development of a tool based on artificial intelligence to extract microtubule curvatures from 3D fluorescence microscopy images. In particular, the candidate will use synthetic image generation through simulation (e.g., Cytosim) and deep learning techniques. For this, he/she will have access to local computing servers as well as remote ones (e.g., Jean Zay). Filament curvature measurements will help reveal potential disruptions in microtubule rigidity during genetic perturbation or across cell lines with deregulated expression of candidate proteins involved in regulating microtubule rigidity.

Profil du candidat :

Formation et compétences requises :
– Hold a PhD degree in computer science, machine learning or applied mathematics.
– Have strong theoretical and practical skills in deep learning.
– Master programming languages such as Python.
– Have proven experience in implementing deep learning in image analysis.
– Be able to work collaboratively within a research team ; be a team player.
– Have strong organizational and communication skills, including the ability to express oneself and write in English.
– Ability to work independently.
– Have an interest in working in a multidisciplinary environment (cellular biology, fluorescence microscopy, soft matter physics, bioinformatics)

Adresse d’emploi :
IGDR (Institute of Genetics and Developemnt of Rennes), CNRS, Univ. Rennes, UMR 6290
2 avenue du Professeur Léon Bernard, 35000 Rennes cedex, France

Document attaché : 202501031145_Annonce_post-doc_informatique_ANR_Micenn_EN.pdf

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

Laboratoire/Entreprise : Equipe HeKA (Inria, Inserm, Univ Paris Cité)
Durée : 3 ou 2 ans
Contact : adrien.coulet@inria.fr
Date limite de publication : 2025-03-01

Contexte :
The 2-year position will take place in the HeKA team (Inria, Inserm, Université Paris Cité), physically located at PariSanté Campus, 2-10 rue d’Oradour-sur-Glane, 75015 Paris. The work is a collaboration between the HeKA team, and the Pompidou hospitals (HEGP) of the AP-HP (Assistance Publique – Hôpitaux de Paris).

This project is part of the PEPR Digital Health project named ShareFAIR, funded by the French Research National Agency.

Sujet :
“Step-by-step guidance to clinical decision, by combining data- and knowledge-driven approaches”

see associated pdf file for more info

Submit your application at https://jobs.inria.fr/public/classic/en/offres/2024-08428

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
PariSanté Campus
2-10 rue d’Oradour-sur-Glane
75015 Paris

Document attaché : 202412041908_phd_or_postdoc_subject_sharefair.pdf

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

Laboratoire/Entreprise : Univ. de Montpellier
Durée : 12 mois
Contact : marianne.huchard@lirmm.fr
Date limite de publication : 2025-03-15

Contexte :

Sujet :
Plusieurs postes d’ATER Informatique (section 27) sont ouverts à l’Université de Montpellier pour l’année 2025-2026 (prise de fonction : 1er septembre 2025).

Les personnes recrutées seront affectées dans une des équipes de recherche du département informatique du LIRMM. Nous les invitons à contacter les responsables de la ou des équipes ciblées (adresses mail disponibles sur les pages web respectives des équipes : lien).

Concernant l’enseignement, plusieurs composantes d’enseignement sont concernées :

5 postes à la Faculté des Sciences (contact : Stéphane Bessy )
Mots-clés communs à tous les postes : Informatique.
1 poste à l’IUT de Béziers (contact : Benoît Darties )
Mots-clés : Informatique, 3D, Réseaux.
Fiche de poste spécifique
2 postes à l’IUT Montpellier-Sète (contact : Gilles Trombettoni )
Mots-clés communs à tous les postes : Informatique.
3 postes à Polytech Montpellier (contact : Christophe Fiorio et Vincent Berry )
Mots-clés pour le poste n°1 : Informatique, Internet, Environnements virtuels, Architecture des machine et des systèmes, Qualité.
Mots-clés pour le poste n°2 : Informatique, Internet, Génie Logiciel et programmation, Architecture des machines et des systèmes, Performance.
Mots-clés pour le poste n°3 : Informatique, Bases de données, Bigdata, Data analytics.

Les personnes candidates peuvent prendre contact avec les composantes d’enseignement pour plus d’informations.

Les informations pour candidater sont disponibles sur la page suivante : https://umontpellier.nous-recrutons.fr/poste/wzk6smtbbj-ater-section-27-informatique-fh/.

Date limite de candidature : 3 mars.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Université de Montpellier

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

Laboratoire/Entreprise : INRAE, unité MIAT
Durée : poste de fonctionnai
Contact : claire.hoede@inrae.fr
Date limite de publication : 2025-03-15

Contexte :
INRAE, Institut national de recherche pour l’agriculture, l’alimentation et l’environnement, est un organisme public de recherche qui réunit 12 000 collaborateurs au sein de 272 unités réparties sur 18 centres en France. Premier organisme mondial spécialisé sur l’ensemble agriculture – alimentation – environnement, INRAE joue un rôle clé pour accompagner les transitions nécessaires face aux grands défis planétaires.

Face à l’augmentation de la population, aux enjeux de sécurité alimentaire, au changement climatique, à la raréfaction des ressources et au déclin de la biodiversité, INRAE s’engage à développer des solutions scientifiques et à accompagner l’évolution des pratiques agricoles, alimentaires et environnementales.

Sujet :
https://jobs.inrae.fr/concours/concours-externes-ingenieurs-cadres-techniciens-h-f/ir25-mathnum-1

La plate-forme bio-informatique Genotoul est une équipe de l’Unité MIAT (Mathématiques et Informatique Appliquées INRAE Toulouse). Elle est un membre actif du GIS Genotoul et contribue à développer les ressources nécessaires aux avancées des programmes scientifiques, accompagne les collaborateurs biologistes pour leurs analyses ainsi que les plates-formes de production de données sur l’hébergement de leurs systèmes d’information. Elle contribue à l’animation scientifique et à la formation en informatique, bioinformatique et statistique. Elle est équipée d’une infrastructure matérielle et logicielle adaptée et performante pour la communauté bio-informatique. En 2024, elle héberge près de 1050 comptes utilisateurs, maintient plus de 800 logiciels du domaine, et met à jour régulièrement plus de 140 banques de données. Elle contribue aux projets de recherche par l’industrialisation de certains traitements (RNAseq, assemblage, annotation et métagénomique), l’accompagnement à la mise en oeuvre de nouvelles technologies dans le cadre de projets innovants et le soutien à la résolution de questions spécifiques nécessitant des développements originaux.
Vous serez en charge de répondre aux besoins croissants concernant l’analyse et l’intégration de données omiques multi-échelles. Vous interviendrez en particulier dans les projets dont la complexité du plan expérimental ou du type de données acquises nécessite une expertise en statistique. Vous serez aussi en charge de développer des outils et des méthodes d’analyses statistiques et de modélisation à partir de jeux de données hétérogènes issues d’analyses phénotypiques (éventuellement haut débit), transcriptomique, protéomique, métabolomique, etc. acquises sur les mêmes individus pour automatiser certaines analyses statistiques récurrentes, qu’elles soient standard ou avancées. En outre, vous interviendrez sur :
– la formation en statistique et plus généralement en « data science » (incluant des aspects de programmation) des biologistes du centre INRAE Toulouse Occitanie ;
– la formation aux bonnes pratiques de programmation avancée R ;
– l’appui aux biologistes sur l’intégralité du cycle de vie de la donnée ;
– la veille scientifique pour l’intégration de données et l’analyse des nouveaux types de données qui seront produites par le séquençage haut-débit dans les prochaines années ;
– la définition des procédures qualité liées à ces activités, leur rédaction et leur mise en œuvre.

La réussite à ce concours vaut qualification informatique. Le poste ouvre droit à une prime informatique en qualité d’analyste ou de chef de projet selon expérience.

Profil du candidat :
Vous avez une formation en mathématiques appliquées et statistique.
Votre profil est celui d’un-e biostatisticien-ne déjà confronté-e à l’analyse de données biologiques, ayant une formation en mathématiques appliquées et des expériences de leur mise en oeuvre pour l’analyse et l’intégration de données omiques.
Vos compétences incluent des connaissances en analyse multivariée des données, en classification non supervisée, sur les modèles classiques en statistique, en programmation R (voire python et C++) et en méthodes d’intégration de données multi-omiques.
Des compétences en inférence et analyse de réseaux, méthodes de machine learning, analyses de séries temporelles, analyses et outils pour l’étude de l’enrichissement fonctionnel seraient un plus.
Une capacité de gestion de projets et d’interaction avec les biologistes partenaires et un goût prononcé pour le travail en équipe sont nécessaires. Des compétences sur la gestion des données, sur la reproductibilité et en calcul sur cluster sont un plus souhaitable.

Formation et compétences requises :
Master, diplôme d’études approfondies, diplôme d’études supérieures spécialisées, diplôme d’ingénieur.

Adresse d’emploi :
Castanet Tolosan

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

Laboratoire/Entreprise : HeKA (Inria, Inserm, Univ. Paris Cité)
Durée : 2 ou 3 ans
Contact : adrien.coulet@inria.fr
Date limite de publication : 2025-03-15

Contexte :
Nous cherchons un postdoc (2 ans) ou un doctorant (3 ans)
pour rejoindre l’équipe HeKA (Inria Paris, Inserm & Université Paris Cité) et travailler sur l’aide à la décision clinique à partir de données de santé et de LLM.
Renseignements : adrien.coulet@inria.fr et bastien.rance@aphp.fr
Date limite de candidature : 15/3/2025
Date limite de prise de poste : 1/6/2025
N’hésitez pas à transmettre autour de vous !

Sujet :
Description du sujet : https://lnkd.in/g_NuixAP

Profil du candidat :
-Passionnée par la science des données biomédicales et ses applications,
-Prête à l’interdisciplinarité,
– Avec des facilités de communications

Formation et compétences requises :
Apprentissage par renforcement et/ou grands modèles de langues.

Adresse d’emploi :
PariSanté Campus, 2-10 rue d’Oradour-sur-Glane, 75015 Paris

Document attaché : 202502241851_phd_or_postdoc_subject_sharefair.pdf

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

Laboratoire/Entreprise : LIP6 – Sorbonne Université
Durée : durée indéterminée
Contact : bernd.amann@lip6.fr
Date limite de publication : 2025-03-15

Contexte :

Sujet :
Plusieurs postes en informatique sont ouverts cette année au LIP6/Sorbonne Université : https://www.lip6.fr/recherche/emplois.php

Deux postes relèvent en particulier des thématiques du GDR MaDICS :

– MCF “IA et approches hybrides pour le traitement et l’analyse de données complexes”

https://www.lip6.fr/recherche/emploi-fiche.php?ident=E135

– PR “Modèles et algorithmes pour la décision individuelle et collective”

https://www.lip6.fr/recherche/emploi-fiche.php?ident=E134

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
LIP6 – Sorbonne Université
4 place Jussieu
75252 Paris Cedex 05

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

Laboratoire/Entreprise : CNES
Durée : 1 an (renouvelable)
Contact : antoine.basset@cnes.fr
Date limite de publication : 2025-03-28

Contexte :
Space missions have always recorded electromagnetic signals, from infrared light to gamma rays. Expected to launch in 2037, ESA’s large-class mission LISA (Laser Interferometer Space Antenna) will survey gravitational wave signals from space. As the world’s first in-orbit instrument to probe space-time itself, this is one of the most ambitious science missions ever. LISA promises a wealth of new science, allowing us to test our understanding of general relativity and to open a new window for astrophysics and cosmology. The data analysis for this mission will have to disentangle superposed signals from a variety of astrophysical sources, as well as modeling the instrumental noise. This Global Fit is to be tackled in a Bayesian inference framework. The computational challenge will be massive, expected to be about an order of magnitude heavier than the data processing of the recent ESA mission Euclid, in optimistic scenarios. As a consequence, the scientific community is looking for technological and algorithmic breakthroughs, e.g. relying on GPUs, sparsity-based modeling or artificial intelligence.

Sujet :
LISA is expected to detect several kinds of gravitational wave sources, such as white dwarf, neutron star or black hole binaries orbiting in very different configurations. White dwarf binaries in our galaxy (known as galactic binaries, GBs) should be the most numerous sources and have relatively simple signals (quasi-monochromatic); massive black hole binary mergers (MBHBs) will provide a handful of very loud coalescence signals, while extreme mass ratio inspirals (EMRIs) are the most complex and come with a huge uncertainty on the number of occurrences over LISA’s lifetime. In fact, little is known on EMRIs’ analysis, and they could just as easily be negligible or dominate the Global Fit. Certainly, LISA’s data stream will be a continuous superimposition of these many signals together with instrumental noise. The inference of the parameters of each source will require source separation, complicating the estimation of their posterior distributions which is already challenging for isolated gravitational events. When separation is not possible (most notably for GBs), the number of superimposed sources becomes an unknown and the signals themselves form a confusion background comparable to noise; trans-dimensional analysis is then required, which yields additional complexity.

To tackle the challenge of the Global Fit, the currently envisioned approach relies on a Markov chain Monte Carlo (MCMC) strategy, with block Gibbs sampling across the classes of sources (and the noise level) to reduce the complexity. Even using this trick, existing pipeline prototypes are computationally expensive and scale badly. In addition to the computational complexity of the MCMC itself, convergence is hindered by the difficulty of initializing the GlobalFit efficiently, and that of modeling effectively the noise and stochastic background signal. One way to radically speed up computation and lower resource consumption is to find shortcuts in the algorithms. Various Machine Learning (ML) approaches recently showed promising results for greatly accelerating the Global Fit, such as likelihood-free inference, which bypasses the likelihood computation completely, or surrogate-based source search, which rely on extremely fast approximate models to separate sources and initialize the GlobalFit close to the solution. The proposed PostDoc project aims at developing and benchmarking ML methods to boost the Global Fit convergence.

Profil du candidat :
PhD on gravitational waves and/or machine learning methods.

Your application must include
– a recommendation letter from your Ph.D. supervisor
– a detailed CV including university education and work experience
– a list of publications
– a 2-page description of the work undertaken during the course of your PhD.

For more Information, contact : Directeur de Recherche antoine.basset@cnes.fr

Submit the complete application online (Apply) before March 14th, 2025 Midnight Paris time.

Webpage : https://recrutement.cnes.fr/fr/annonce/3487221-25-285-on-the-use-of-machine-learning-methods-to-boost-lisa-s-global-fit-31400-toulouse

Formation et compétences requises :

Adresse d’emploi :
CNES, Toulouse.

Your application must include a recommendation letter from your Ph.D. supervisor, a detailed CV including university education and work experience, a list of publications, a 2-page description of the work undertaken during the course of your PhD.

For more Information, contact : Directeur de Recherche antoine.basset@cnes.fr

Submit the complete application online (Apply) before March 14th, 2025 Midnight Paris time.

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

Laboratoire/Entreprise : Laboratoire ICube, Strasbourg
Durée : 6 mois
Contact : seo@unistra.fr
Date limite de publication : 2025-03-31

Contexte :
Human motion generation is a key task in computer graphics, crucial for applications involving virtual characters, such as film production or virtual reality experiences. Recent deep learning methods, particularly generative models, started to make significant contributions in this domain. While early neural methods focused on the unconditional generation of vivid and realistic human motion sequences, more recent methods guide the motion generation using various conditioning signals, including action class, text, and audio. Among them, the diffusion-based model has shown significant success, dominating research frontiers.

Sujet :
Motivated by these recent successes, we will develop action-conditioned human motion generator based on a diffusion model. In particular, we will aim at the generation of daily actions in residential settings, in the view of augmenting training data for the action recognition models. To achieve this goal, we will deploy a diffusion-based motion generation, based on our previous works. To condition the generation using an action class or a text description, we will adopt CLIP as a text encoder to embed the text prompt and use a trainable tensor as embeddings for different action classes.

Profil du candidat :
− Solid programming skills in Python
− Working skills in Blender for 3D modeling and animation
− Experience in Deep Learning (Diffusion model)
− Good communication skills

Formation et compétences requises :

Adresse d’emploi :
2 Rue Marie Hamm
67000 Strasbourg

Document attaché : 202411071348_Stage-3D Human Motion Diffusion Model.pdf