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

Laboratoire/Entreprise : CEDRIC (EA4629)
Durée : indéterminée
Contact : michel.crucianu@cnam.fr
Date limite de publication : 2023-01-14

Contexte :
e Conservatoire national des arts et métiers (Cnam) est un établissement public à caractère scientifique, culturel et professionnel doté d’un statut de « grand établissement » régi par le décret du 22 avril 1988. C’est un établissement en réseau dont le siège est à Paris qui se caractérise par :
• des formations déployées sur l’ensemble des régions métropolitaines, dans les centres ultra-marins et à l’étranger,
• des activités de recherche académique , technologique et partenariale au sein d’équipes reconnues par le HCERES,
• sa mission de diffusion de la culture scientifique et technique (notamment via le musée des arts et métiers).
La diversité et la richesse des équipes du Cnam dotent l’établissement d’un large spectre de compétences, couvrant les champs professionnels allant des sciences de l’ingénieur.e aux domaines de l’économie, de la gestion et des sciences humaines et sociales.

Le laboratoire Cédric (http://cedric.cnam.fr) consacre ses recherches à l’informatique et aux communications, en particulier à la numérisation et l’automatisation des processus intelligents d’interaction, d’apprentissage, de raisonnement, de décision et d’action. Le Cédric développe des réponses sur trois axes : Systèmes communicants et interactifs ; Science des données ; Confiance et sécurité numérique. Chacune des huit équipes du Cédric contribue à l’animation et au développement des axes en fonction de son expertise scientifique.

Sujet :
La personne recrutée intégrera une des équipes suivantes de l’axe ‘Science des données’ :

• Vertigo (http://cedric.cnam.fr/lab/equipes/vertigo/, équipe prioritaire). L’équipe Vertigo s’est engagée dans la création d’interfaces transdisciplinaires au sein du Cnam ainsi qu’à l’extérieur autour de problématiques liées en particulier au couplage IA et physique, à la télédétection ou à l’imagerie médicale. Il est attendu que la personne recrutée puisse accompagner et alimenter cette dynamique en renforçant ou en créant des collaborations avec d’autres laboratoires de l’établissement.
• MSDMA (http://cedric.cnam.fr/lab/equipes/msdma/). Les activités de l’équipe concernent le traitement de données par des méthodes statistiques et informatiques.

L’équipe de rattachement pressentie doit être mentionnée dans la lettre de candidature. La personne recrutée devra jouer un rôle moteur dans le développement des recherches de l’une de ces équipes, notamment en apprentissage statistique, apprentissage profond (supervisé et non-supervisé) et/ou apprentissage par renforcement. Des compétences dans les domaines suivants seront particulièrement appréciées: extraction de représentations et de connaissances, explicabilité et interprétabilité des modèles IA, compréhension et raisonnement sur des données hétérogènes non-structurées.

Contacts :
• Samira Cherfi (samira.cherfi@cnam.fr), directrice de l’EPN 5 (département d’informatique)
• Philippe Rigaux (philippe.rigaux@cnam.fr), directeur du laboratoire
• Michel Crucianu (michel.crucianu@cnam.fr) pour l’équipe Vertigo
• Ndeye Niang (ndeye.niang_keita@cnam.fr) pour l’équipe MSDMA

Date de prise de poste : 1er septembre 2023.

Profil du candidat :
Profil détaillé : http://cedric.cnam.fr/lab/wp-content/uploads/2023/01/CnamParisPUIA2023.pdf

Formation et compétences requises :
Habilitation à Diriger des Recherches

Adresse d’emploi :
Conservatoire National des Arts et Métiers
292 rue Saint-Martin
75003 Paris

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

Laboratoire/Entreprise : IFV – CIRAD
Durée : 3 years
Contact : romain.fernandez@cirad.fr
Date limite de publication : 2023-01-14

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

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

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

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

BIBLIOGRAPHY:
[1] R Fernandez, L Le Cunff, S Mérigeaud, et.al. An end-to-end workflow based on multimodal 3D imaging and machine learning for nondestructive diagnosis of grapevine trunk diseases. bioRxiv preprint (BioRxiV 2022) https://doi.org/10.1101/2022.06.09.495457
[2] R Fernandez, and C Moisy, Fijiyama: a registration tool for 3D multimodal time-lapse imaging, Bioinformatics, Volume 37, Issue 10, 15 May 2021, Pages 1482–1484, https://doi.org/10.1093/bioinformatics/btaa846
[3] R Fernandez, and C Moisy: FijiRelax: Fast and noise-corrected estimation of MRI relaxation maps in 3D + t (under review in JOSS) current version: https://github.com/Rocsg/FijiRelax/actions/runs/3307397950

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

* Advanced skills in:
Image Analysis (3D reconstruction, segmentation).
Programming (Java and Python).
Machine Learning (scikit-learn, …) and Deep Learning (TF / Pytorch, …).
2D/3D image processing and visualization (Fiji, Napari, VTK, …).
Optional:
Basic knowledge in 3D imagery (X-rays tomography, MRI);
plant biology and anatomy; and/or pathogens.
French speaking.

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

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

Adresse d’emploi :
Campus Lavalette, 389 Av. Agropolis, 34980 Montferrier-sur-Lez, France (Montpellier)

APPLICATION: Please, send CV, application letter, and references to romain.fernandez@cirad.fr and cedric.moisy@vignevin.com. Deadline: Applications will be reviewed until the position is filled. Position opening: Starting in January 2023.

Document attaché : 202301130937_Postdoc_position.pdf

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

Laboratoire/Entreprise : ISAE SUPAERO
Durée : permanent
Contact : florian.simatos@isae.fr
Date limite de publication : 2023-02-04

Contexte :
Recrutement d’un poste (niveau MCF ou PU, tous les niveaux seront considérés) à l’ISAE SUPAERO

Sujet :
Statistique mathématique et apprentissage

Profil du candidat :
Personne titulaire d’un doctorat en Mathématiques Appliquées, spécialisée en Statistique Mathématique ou dans un domaine connexe, et peut justifier d’un bon équilibre entre recherche fondamentale (théorique) et recherche appliquée (numérique). En particulier, des connaissances en algorithmes stochastiques seraient appréciées ;

Formation et compétences requises :
Personne titulaire d’un doctorat en Mathématiques Appliquées, spécialisée en Statistique Mathématique ou dans un domaine connexe, et peut justifier d’un bon équilibre entre recherche fondamentale (théorique) et recherche appliquée (numérique). En particulier, des connaissances en algorithmes stochastiques seraient appréciées ;

Adresse d’emploi :
12 avenue edouard belin, 31055 Toulouse

Document attaché : 202301121452_ISAE-906-stat.pdf

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

Laboratoire/Entreprise : LASTIG
Durée : 3 ans (CDI très prob
Contact : clement.mallet@ign.fr
Date limite de publication : 2023-12-15

Contexte :
L’Unité Mixte de Recherche (UMR) LASTIG, sous la tutelle de l’IGN et de l’Université Gustave Eiffel, mène des recherches variées en sciences de l’information géographique pour la ville durable et les territoires
numériques. Il comporte plus de 60 membres, permanents et contractuels. Le LASTIG est confronté à des problématiques de recherche fondamentale et opérationnelle sur les sujets suivants :
— l’acquisition et le traitement de données massives et multimodales (équipe ACTE) ;
— la géovisualisation, l’interaction et l’immersion (équipe GEOVIS) ;
— la médiation et l’enrichissement de données géographiques (équipe MEIG) ;
— l’analyse de la dynamique spatio-temporelle des territoires (équipe STRUDEL).

Le Service Innovation Maturation Valorisation de l’IGN a pour but d’accompagner le transfert technologique entre recherche et production et entre l’IGN et ses partenaires. Les missions du service sont :
— l’animation de l’innovation au sein de l’IGN et aussi à destination des partenaires,
— la montée en maturité des codes de recherche vers les souches de production,
— la validation de méthodes, d’algorithmes et de technologies dans l’objectif d’aider à l’amélioration des souches de production,
— le maintien des plateformes d’innovation et leurs relations avec les plateformes de recherche (amont) et de développement (aval),
— la veille technologique et méthodologique

La constitution d’un Jumeau Numérique National (JNN) est un projet ambitieux de l’IGN qui vise entre autres la cartographie précise en 3D de l’ensemble du territoire français pour de multiples usages : développement durable, gestion énergétique, urbanisme, sécurité, smart city, gestion des réseaux enterrés, tourisme… Cette cartographie 3D s’appuiera sur l’intégration de données d’acquisition multicapteur (image/LiDAR) et multiplateforme (aérien/terrestre fixe et mobile), de données topographiques et de données thématiques multi-sources, multi-dimensionnelles et multi-échelles (pays, région, département, ville, quartier, rue, bâtiment). Il met en jeu des problématiques de recalage, de reconstruction de maillages et d’objets structurés, de texturation et de sémantisation, par des approches automatiques ou semi-automatiques interactives, de détection de changement et de mise à jour, tout en visant un passage à l’échelle sur des données de plus en plus massives et de plus en plus précises.

Sujet :
L’ENSG souhaite recruter un·e ingénieur·e dont l’objectif principal sera de développer des méthodes et des outils sur ces problématiques de cartographie 3D à large échelle, en se reposant sur des travaux du LASTIG en recalage, en reconstruction automatique ou semi-automatique (interactive) de modèles de ville 3D+T (c’est à dire incluant les problématiques de détection de changements et de mise à
jour), en structuration pour leur diffusion dans une visualisation interactive. Il s’agira ainsi de participer au développement d’outils et de faciliter la consolidation et le prototypage de méthodes produites par des membres du laboratoire LASTIG pour répondre à des besoins exprimés par l’IGN, ses tutelles, ses partenaires, ainsi que les collaborateurs du LASTIG.

Les missions principales de la personne recrutée seront de :
— Contribuer au développement des méthodes et des outils pour la reconstruction et la visualisation interactive du jumeau numérique national ;
— Participer à la capitalisation sur les travaux et le code produits lors de projets, thèses, stages après la fin de ceux-ci ou lors de leur dernière phase, et en lien avec les missions du poste ;
— Participer à la valorisation des activités de recherche (y compris publications) ;
— Développer des prototypes et participer aux activités d’innovation de l’IGN utilisant les recherches du LASTIG ;
— Participer aux enseignements de l’ENSG ;

En particulier, la personne recrutée contribuera à 3 axes du projet de Jumeau Numérique National :
1. L’axe 1 consistera à concevoir, prototyper et consolider des méthodes en acquisition et en modélisation automatique ou interactive fondées sur des données LiDAR HD et des données
PCRS (Plan de Corps de Rue Simplifié : imagerie aérienne très haute résolution, 5cm ou mieux) pour une reconstruction fine des différents thèmes du Jumeau numérique (bâtiments, végétation, réseaux, ouvrages d’art,…), et à travailler à l’intégration de données multi-sources et multi-échelles adaptées à des usages multiples (visualisation, concertation, simulation, …).
2. L’axe 2 consistera à concevoir, prototyper et consolider des méthodes d’analyse de données multi dates pour s’assurer que le Jumeau Numérique National reste fidèle à l’évolution temporelle du
territoire en s’intéressant en particulier à la détection de changements et à la mise à jour à partir de sources de données diverses (données d’acquisition, autres bases de données).
3. L’axe 3 consistera à concevoir, prototyper et consolider des méthodes de structuration 3D+T de données et de méta-données d’acquisition possiblement multi-sources : aérien (notamment images PCRS ou LiDAR HD) et terrestre (cartographie mobile et fixe) : entrepôt de données hétérogènes, recalage, diffusion pour la visualisation, la saisie interactive et la réalité augmentée.

Profil du candidat :
L’ENSG recherche un ingénieur diplômé, disposant des compétences suivantes :

Compétences techniques:

Maîtriser des environnements et langages de programmation (python, Java, JavaScript, C++, etc.)
Avoir des notions en architecture de données massives (Hadoop, etc.)
Maîtriser les outils DevOps (intégration continue, etc.) et de développement Agile
Maîtriser des outils libres en géomatique (PostGreSQL/ PostGIS, QGIS)
Savoir expertiser et assurer la qualité scientifique de résultats
Pratiquer un anglais technique et/ou scientifique
Savoir rédiger des articles scientifiques

Formation et compétences requises :
Compétences organisationnelles :

Savoir transmettre un savoir, une technique, une compétence
Savoir concevoir et mettre en œuvre des solutions nouvelles et efficaces
Savoir publier et diffuser de l’information dans un système informatisé
Savoir mener une veille sur son domaine d’activité
Avoir le sens de la responsabilité, de l’autonomie, de l’initiative

Compétences relationnelles :

Savoir collaborer et travailler en équipe
Savoir encourager la synergie et partager ses connaissances et ses expériences

Adresse d’emploi :
IGn, 73 avenue de Paris, 94160 Saint-Mandé

Document attaché : 202301111300_Offre_d_emploi_LASTIG_JNN.pdf

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

Laboratoire/Entreprise : LASTIG
Durée : 36 mois
Contact : clement.mallet@ign.fr
Date limite de publication : 2023-03-31

Contexte :
Earth Observations (EO) nowadays refer to sensors with different modalities capturing rich and complementary information. EO are typically large-scale, multimodal, and multi-resolution. They often display a complex structure in which the spatial, temporal,
and spectral dimensions are entangled. This structure is influenced by
phenomenons operating at widely different scales, complex domain shifts (the distribution and appearance of certain classes vary significantly across regions and throughout the year), atmospheric conditions, and cumulative weather, resulting in inherently
non-stationary processes. While these characteristics complexify the analysis of EO, their absolute
spatial and temporal referencing of remote sensing allows us to align different acquisitions easily.

The deep learning paradigm is gradually being adopted as an indispensable tool for the automatic analysis of EO. However, the state-of-the-art solutions suffer from
multiple limitations: (1) existing deep-based models are not well-suited to the structure of EO, (2) large-scale annotation is unrealistic, (3) the limited spatio-temporal extent and task-specificity of existing
datasets and models result in poor generalization, (4) most annotated datasets remain focused on specific areas and environments, biasing the community towards particular architectures.

We propose to address the previous limitations by developing a Foundation Model of Earth Observations, trained on extensive unannotated data. Such a model should be rich, expressive, compact and efficient for most domain shifts and geographical bias. We will explore the idea of reciprocal cross-modal training to leverage the multimodality and georeferential alignment of EO data.

Sujet :
Foundation models refer to large neural networks trained on a vast amount of data and widely used for further applications or research. Such models can be built upon without having to be trained from scratch. This strategy both saves computation time and provides expressive
features/state-of-the-art encoders, and decreases the annotation and hardware requirements usually associated with large modern networks.
We propose a new learning paradigm dubbed “Cross-modal reciprocal learning” to train such foundation models from unannotated multi-modal EO.

Text-Image contrastive pretraining has shown impressive results in computer vision, leading to expressive and influential
foundation models. Contrastive learning has been recently explored for EO by exploiting spatial alignment across time series or for cross-modal localization. We propose generalizing text-image contrastive learning to the multi-modal setting with spatially aligned
observations. We require the features extracted from acquisitions of an area through different modalities to be more similar than any descriptors of another area. By forcing spatial alignment across sensors, the features must describe the only shared
latent variable: the actual semantics of the acquired area (e.g., road, building, plant species).

Generalizing contrastive learning to the multi-domain setting raises several theoretical and technical
challenges. First, the classic two-modalities formulation leads to an exponential complexity w.r.t the number of sensors, quickly becoming impractical and requiring us to develop an adapted loss and sampling procedure. Second, cross-modal learning implies the simultaneous training of several
large networks and the manipulation of costly multi-modal batches. This raises technical issues such as inefficiency in memory use and prolonged training times. Lastly, if we only reward the encoders
for spatial alignment across modalities, they may be discouraged from retaining sensor-specific information. This would result in weaker individual representations discarding the strength of each
sensor at the benefit of the lowest common denominator. This critical concern may be mitigated with multi-task learning and self-supervision.\

Depending on the application cases, we will focus on several modalities among the six following ones: Sentinel-2 Optical Time Series, Sentinel-1 Radar Time Series, High Resolution orthoimages, hyperspectral images, aerial LiDAR, and spaceborne LiDAR.

The PhD project also includes application cases related to the exploitation of the designed model. We will focus on standard downstream tasks such as multi-domain land-cover classification or crop mapping, and biogeophysical variable estimation (e.g., biomass estimation).

Profil du candidat :
– Familiarité avec la vision par ordinateur, l’apprentissage machine et l’apprentissage profond;
– Maîtrise de Python et familiarité avec PyTorch;
– Curiosité, rigueur, motivation;
– (Optionnel) Familiarité avec l’apprentissage auto/faiblement supervisé et contrastif;
– (Optionnel) Expérience avec l’imagerie aérienne ou satellite et la classification pour l’occupation des sols.

Formation et compétences requises :
Master 2 en informatique, computer sciences, mathématiques appliquées ou télédétection

Adresse d’emploi :
IGN, 73 avenue de Paris, 94160 Saint-Mandé

Document attaché : 202301111252_These2023_LASTIG_EO_reciprocal_learning.pdf