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

Laboratoire/Entreprise : Lab-STICC/IMT Atlantique
Durée : 6 months
Contact : ronan.fablet@imt-atlantique.fr
Date limite de publication : 2023-01-24

Contexte :
We open internship offers in the framework of AI chair OceaniX (https://cia-oceanix.github.io/) to develop Physics-Informed AI for Ocean Monitoring and Surveillance.

Contact: Ronan Fablet, ronan.fablet@imt-atlantique.fr

Sujet :
Data-driven and learning-based strategies for the analysis, modeling and reconstruction of dynamical systems are currently emerging as promising research directions as an alternative to classic model-driven approaches for a wide variety of application fields, including atmosphere and ocean science, remote sensing, computer vision…. [2,3,4]. Especially, deep learning schemes [1] are currently investigated to address inverse problems, i.e. reconstruction of signals or images from observations. Especially, recent works [e.g., 3,4] have shown that one can learn variational models and solvers for the reconstruction.
These internships will specifically investigate the development of deep learning inverse models for the space-time reconstruction of geophysical dynamics from partial observations. We aim to explore and understand how end-to-end neural schemes, such as 4DVarNets [3,5], provide new means to address limitations of operational data assimilation systems, especially for applications to ocean modeling and forecasting using satellite and in situ observations. Both simulated and real case-studies will be of interest.

Keywords: deep learning, inverse problems, data assimilation, space oceanography

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

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

Adresse d’emploi :
IMT Atlantique, Brest

Document attaché : 202211240841_sujet_stage_4DVarNet_DA2022.pdf

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

Laboratoire/Entreprise : Equipe Phenomen / Cirad
Durée : 6 mois
Contact : christophe.pradal@inria.fr
Date limite de publication : 2023-04-20

Contexte :
Dans le cadre de la thèse de Cyrille Midingoyi et de l’initiative international AMEI (Agriculture Model Exchange Initiative), nous avons récemment développé le système de transformation de modèles,
Crop2ML (Crop Modelling Meta Language) (Midingoyi et al., 2020 ; 2021). Crop2ML permet la réutilisation et l’échange de composants de modèles entre plateformes de modélisation internationales (STICS, DSSAT, SimPlace, BioMA, APSIM et OpenAlea).
Ce système ouvert et transparent représente un changement important pour la communauté scientifique. Il permet de développer des composants de modèles en respectant les principes FAIR de la science ouverte (Findable, Accessible, Interoperable, Reusable).

Au sein de l’équipe Phenomen, nous avons plusieurs modèles de plante (Ecomeristem), et de cultures (Samara) qui pourraient être intégrer au sein de cette plateforme. Cependant avant que cela ne soit possible, il y a un besoin de recodage, notamment du modèle Samara, pour pouvoir faciliter sa modularisation et sa prise en main pour les chercheurs de l’équipe (France, Sénégal, Cambodge, Madagascar).

Samara est un modèle de culture qui simule la croissance et le développement d’une culture á l’échelle de la parcelle. La particularité de ce modèle repose sur l’inclusion explicite de la morphologie de la plante. Ainsi, la croissance des plantes et des organes n’est pas seulement limitée par l’assimilation du carbone (source ou offre), mais aussi par sa demande, qui correspond à la capacité des puits accumulée pour la croissance et la respiration au cours d’une journée donnée. Samara a été développé, il y a une quinzaine d’année, d’abord sous delphi, puis retraduit sur C++. Il y a maintenant un besoin de renouveau dans le code.

Sujet :
L’objectif de ce stage sera de retranscrire le code C++ de samara en code intégrable dans la plateforme Crop2ML.

Activité 1. Retranscrire le code C++ de samara en du code lisible pour tous, documenté et intégrable dans Crop2ML (CyML proche de Python).

Activité 2. Travailler sur la modularisation de Samara, via la mise en place d’un schéma conceptuel des différents processus modélisés du modèle.

Activité 3. Concevoir un environnement de modélisation utilisant Crop2ML permettant à des agronomes et éco-physiologistes non informaticiens de faire évoluer les sous-modèles.

Activité 4. Simulation et/ou optimisation du modèle à partir de données existantes et formation/transfert de la méthode auprès des utilisateurs.

Profil du candidat :
Ingénieur informaticien ou ingénieur agronome avec une aptitude á coder

Formation et compétences requises :
– Coder en Python et R. Connaissances en C++ utiles.
– Esprit logique et connaissance ou aptitude á comprendre les processus de croissance et développement de la plante.
– Capacité à interagir avec différentes disciplines, et instituts

Adresse d’emploi :
CIRAD Campus de Lavalette – Avenue Agropolis Montpellier

Document attaché : 202211232110_offre-stage-samara.pdf

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

Laboratoire/Entreprise : CIRAD, Equipe Phenomen
Durée : 6 mois
Contact : romain.fernandez@cirad.fr
Date limite de publication : 2023-04-20

Contexte :
Le projet Sustain-Sahel (financement européen H2020) vise à évaluer l’effet des pratiques agro-forestières au Sahel afin de caractériser l’impact sur les cultures de la présence d’arbres. L’arbre et l’agro-foresterie sont considerés comme des leviers de la sécurité alimentaire face au changement climatique. Des séries temporelles d’imagerie aérienne de cultures agro-forestières ont été collectées par drone pour objectiver ces considérations. Ces images sont accompagnées de données tabulaires relevées sur le terrain (biomasse, surface foliaire, cycle annuel des variétés).

Sujet :
L’objectif du stage est d’entraîner des modèles convolutifs à séparer les sources (mauvaises herbes, cultures, arbres), pour modéliser la distribution spatio-temporelle de la végétation sur les parcelles cultivées en agro-foresterie. Dans ce but, le stagiaire aura la responsabilité de développer des outils automatiques d’analyse d’image et de modélisation. Il mobilisera des techniques de machine-learning, de deep learning et couplera les observations avec des modèles de mélange des cultures et de croissance des plantes.

Profil du candidat :
Master 2 ou école d’ingénieur. Ce stage est une opportunité accessible à des étudiant(e)s provenant d’une école en informatique, en modélisation mathématique, en analyse d’images. Le goût pour le travail en équipe à l’interface entre plusieurs disciplines (maths-info, écophysiologie, agro) sera nécessaire. Un interêt scientifique pour la modélisation des systèmes biologiques serait un plus.

Formation et compétences requises :
Le langage de programmation utilisé sera Python, en utilisant des outils de développement communautaire et de maintien logiciel (Github, Intégration Continue). Une connaissance préalable du fonctionnement des réseaux de neurones profonds (en particulier des réseaux convolutifs) est souhaitée. Une première expérience d’une bibliothèque de Deep Learning (PyTorch, Keras, TensorFlow, …) et de Machine learning (Scikit-learn) seraient un plus.

Adresse d’emploi :
Cirad Montpellier, 389 Av. Agropolis, 34980 Montferrier-sur-Lez.

Document attaché : 202211231203_Offre de stage M2 – Sustain Sahel.pdf

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

Laboratoire/Entreprise : CEA Grenoble
Durée : 6 mois
Contact : thomas.dalgaty@cea.fr
Date limite de publication : 2023-04-20

Contexte :
The candidate will develop graph neural networks for application to time-series data. In particular, there will be a focus on increasing the efficiency of the approach such that it is compatible with the energy and memory constraints of embedded systems.

Le candidat développera des réseaux neuronaux graphiques pour les appliquer à des séries de données temporelles. En particulier, il s’agira d’accroître l’efficacité de l’approche de manière à ce qu’elle soit compatible avec les contraintes d’énergie et de mémoire des systèmes embarqués.

Sujet :
Graph neural networks are an emerging method in artificial intelligence developed in order to apply deep learning techniques on graph structured data. Recently graph neural networks have been found to perform well in applications where images and video are represented as graphs and do so with impressive reductions in computational complexity and hardware requirements. The objective of this internship will be to apply and adapt these methods (under development in the LIIM laboratory) to time-series data (i.e., analogue signals recorded from sensors). In particular, the question of the how such as an algorithm can be adapted to run in real-time in an embedded system at the edge will be addressed. The M2 internship will be hosted by the LIIM laboratory, based at the Minatec campus in Grenoble. The start date is flexible, but expected to be in springtime 2023 and will last for 6 months. There is a possibility to follow-up the internship with a PhD for candidates that show promise. We are looking for a candidate with an interest in AI, embedded systems and electronic circuits as well as in doing upstream technological research. This is an advanced topic and the candidate will be required to develop their own ideas and research plan with the support of a team of three supervisors.

Les réseaux neuronaux graphiques sont une méthode émergente en intelligence artificielle, développée afin d’appliquer des techniques d’apprentissage profond sur des données structurées en graphes. Récemment, les réseaux de neurones graphiques se sont révélés performants dans des applications où les images et les vidéos sont représentées sous forme de graphes, et ce avec des réductions impressionnantes de la complexité de calcul et des exigences matérielles. L’objectif de ce stage sera d’appliquer et d’adapter ces méthodes (en cours de développement dans le laboratoire du LIIM) à des données de séries temporelles (c’est-à-dire des signaux analogiques enregistrés par des capteurs). En particulier, la question de savoir comment un tel algorithme peut être adapté pour fonctionner en temps réel dans un système embarqué à la périphérie sera abordée. Le stage de M2 sera accueilli par le laboratoire LIIM, basé sur le campus Minatec à Grenoble. La date de début est flexible, mais devrait être au printemps 2023 et durera 6 mois. Il y a une possibilité de suivre le stage avec un doctorat pour les candidats qui se montrent prometteurs. Nous recherchons un candidat ayant un intérêt pour l’IA, les systèmes embarqués et les circuits électroniques, ainsi que pour la recherche technologique en amont. Il s’agit d’un sujet avancé et le candidat devra développer ses propres idées et son plan de recherche avec le soutien d’une équipe de trois superviseurs.

Profil du candidat :
This is M2 internship for students following a degree in computer or electrical engineering.

Il s’agit d’un stage de M2 pour les étudiants suivant un diplôme en génie informatique ou électrique.

Formation et compétences requises :
This is M2 internship for students following a degree in computer or electrical engineering.

Il s’agit d’un stage de M2 pour les étudiants suivant un diplôme en génie informatique ou électrique.

Adresse d’emploi :
CEA Grenoble

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

Laboratoire/Entreprise : LIS, UMR 7020
Durée : 6 mois
Contact : tpnguyen@univ-tln.fr
Date limite de publication : 2023-03-31

Contexte :
Stage de fin d’études de M2

Sujet :
Sujet de stage : Amélioration des images sous-marines

La perception dans un milieu sous-marin est un double enjeu à la fois civil et militaire. L’exploration du milieu sous-marin est une tâche cruciale pour différents acteurs tels que la Marine Nationale, l’océanographie, les groupes pétroliers, etc. Par exemple, la connaissance des fonds marins joue un rôle important pour déployer des sous-marins et des navires. Étudier des données visuelles prises par des caméras sous-marines est une tâche difficile. Ce défi vient des problématiques suivantes. Tout d’abord, les images sous- marines sont bruitées à cause du manque de la lumière dans la phase d’acquisition. De plus, cette condition amène également au contraste faible, ainsi que des effets de diffusion de la lumière dans ces images. De l’autre côté, l’absorption de la lumière dans l’eau est différente en fonction de la longueur d’onde, par conséquent la variation d’illumination et de couleur est forte dans ce type d’images. En effet, la lumière visible dont les longueurs d’onde sont plus longues est fortement absorbée par l’eau. Cela fait varier les couleurs des poissons en fonction de la distance et de la profondeur par rapport à la caméra. En outre, due à l’interface lentille/air/eau, la distorsion d’images est aussi une problématique des images sous-marines par rapport aux images classiques. C’est pour cela que la détection et la reconnaissance des objets dans des images sous-marines sont plus difficiles que celles des images populaires, car ces facteurs rendent les algorithmes classiques de détection et de classification inefficaces parce qu’ils ne sont pas conçus pour gérer de telles difficultés. L’objectif de ce stage est d’étudier des méthodes d’apprentissage profond [1, 2, 3, 4,
5, 6] pour proposer une méthode d’amélioration des images sous-marines avant d’utiliser des méthodes classiques de la vision par ordinateur pour les autres tâches.
Références
[1] Sharma, P.K., Bisht, I., Sur, A. : Wavelength-based attributed deep neural network for underwater image restoration (2021)
[2] Islam, M.J., Xia, Y., Sattar, J. : Fast underwater image enhancement for improved visual perception. IEEE Robotics and Automation Letters (RA-L) 5(2) (2020) 3227– 3234
[3] Li, C., Guo, C., Ren, W., Cong, R., Hou, J., Kwong, S., Tao, D. : An underwater image enhancement benchmark dataset and beyond. IEEE Transactions on Image Processing 29 (2020) 4376–4389
[4] Riba, E., Mishkin, D., andE. Rublee, D.P., Bradski, G. : Kornia : an open source diffe- rentiable computer vision library for pytorch. In : Winter Conference on Applications of Computer Vision. (2020)
[5] Islam, M.J., Edge, C., Xiao, Y., Luo, P., Mehtaz, M., Morse, C., Enan, S.S., Sat- tar, J. : Semantic Segmentation of Underwater Imagery : Dataset and Benchmark. In : IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), IEEE/RSJ (2020)
[6] Cao, Z., Hidalgo Martinez, G., Simon, T., Wei, S., Sheikh, Y.A. : Openpose : Realtime multi-person 2d pose estimation using part affinity fields. IEEE Transactions on Pattern Analysis and Machine Intelligence (2019)

Profil du candidat :
Étudiants en M2R ou en école d’ingénieur avec une majeure en traitement d’image, en apprentissage automatique ou en intelligence artificielle.

Formation et compétences requises :
De bonnes compétences en programmation python sont requises. La connaissance des frameworks de deep learning est un plus souhaitable. Le candidat doit avoir de bonnes capacités rédactionnelles et de communication orale.

Adresse d’emploi :
Laboratoire LIS, Bâtiment X, l’avenue de l’université, 83130, La Garde.
Pour postuler le stage, merci d’envoyer le CV et relevé de notes M2 à tpnguyen@univ-tln.fr

Document attaché : 202211221746_StageM2_2023.pdf

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

Laboratoire/Entreprise : ISI / Institut Fayol / Mines Saint-Étienne
Durée : 5 mois / 5 months
Contact : guillaume.muller@univ-st-etienne.fr
Date limite de publication : 2022-01-01

Contexte :
1 Administrative Context
Mines Saint-Etienne (MSE), one of the graduate schools of Institut Mines-Télécom, the first group of graduate schools of engineering and management in France under the supervision of the Ministry of the
Economy, Industry and Digital Technology, is assigned missions of education, research and innovation, transfer to industry and scientific, technological and industrial culture.
MSE consists of 2,400 graduate and postgraduate students, 400 staff, a consolidated budget of €46M, three sites on the Saint-Etienne campus (Auvergne Rhone-Alpes region, Lyon Saint-Etienne metropolitan area), a campus in Gardanne (SUD region, Aix Marseille metropolitan area), a site in
Lyon within the digital campus of Auvergne Rhone-Alpes Region, six esearch units, five teaching and research centres and one of the leading French science community centres (La Rotonde €1M budget and +40,000 visitors per year). The Times Higher Education World University Ranking ranked us for 2022 in the 251-300 range for Engineering and Technology. Our work environment is characterised by high Faculty-to-Student, Staff-to-Faculty and PhD-to-Faculty ratios, as well as comprehensive state-of-the-art experimental and computational facilities for research, teaching and transfer to industry.
The Henri Fayol Institute, one of the school’s 5 training and research centers, brings together professors in industrial engineering, applied mathematics, computer science, environment and management
around the theme of overall business performance. The Henri Fayol Institute is strongly involved in flagship projects of the Industry of the Future and the City of the Future.

2 Scientific Context
In recent years, Artificial Intelligence, in particular Neural Networks (NN), has shown impressive results in many applications, often beating humans in many domains, from Games (AlphaGo. . . ) to Health Care (skin & eye cancer detection. . . ). However, training such models requires large amounts of computing power, thus of energy; sometimes more than a small city over a year (e.g. GPT-3). As energy is the main source of release of CO2 in the atmosphere, such technological progress unfortunately
goes along with the destruction of our planet. This goes in the opposite direction of UN’s Sustainable Development Goals, that we need to achieve quickly to ensure our survival as a whole society.

Sujet :
3 Topic: TinyML
The field of TinyML seeks to find ways of implementing Machine Learning (ML) models (particularly NN) on small devices, with limited CPU power, RAM capacity, Network bandwidth and Battery life. Techniques developed in this domain could provide elements for a global solution, thus allowing to continue producing positive social impacts with AI/ML/NN (better health care, optimized transportation. . . ), without destroying our planet.
This internship proposes to explore state of the art techniques for reducing both the size and the training time of a NN, using small devices to impose strict energy consumption constraints.

Keywords: Artificial Intelligence, Neural Network, Deep Learning, IoT, TinyML, Quantization, Pruning, Distillation, Training, Gradient Descent, Back-Propagation.

4 Organization
The internship will take place at Espace Fauriel in Saint-Etienne, in the ISI department of Institut Fayol.
The internship will follow a 3 steps plan:
1. The student will start with trying to reproduce the toy (but realistic) application which consists in designing a glove/bracelet that can recognize the characters drawn in the air by a person [Fre21].
Through this example the student will learn about techniques like Quantization, Pruning and Distillation. These techniques allow reducing the size of a Big NN that was previously learned on a standard computer. This solves the problem of the energy consumption at inference time,
but not at training time.
2. Then, the student will explore state of the art techniques for training a NN directly on a small device, based on researches like [Lin+22].
3. Based on these experiments, the student will be able to explore more realistic scenarios adapted to Industry 4.0 (e.g. the “Augmented Technician”) or Health Care (e.g. “Smart Orthosis”),
where we need both inference and training to be executed on-device, in order to detect custom gestures that can change over time.

References
[Fre21]Zack Freedman. AI Data Glove: Somatic. 2021. url: https://www.youtube.com/watch?
v=6raRftH9yxM.
[Lin+22]Ji Lin et al. “On-Device Training Under 256KB Memory”. In: arXiv preprint arXiv:2206.15472 (2022). url: https://tinyml.mit.edu/.

Profil du candidat :
Master 2 or last year engineering school student

Formation et compétences requises :
5 Job requirements
The student should have prior following skills:
• Solid background in Machine Learning, in particular Deep Learning
• Strong coding in Python skills
• Minimal background in IoT/Arduino
• Curiosity of anything technological/scientific & Motivation for Sustainable Development

6 Application
To apply, please send your CV, cover letter, and any other useful information before January, 15 2023 to guillaume.muller@emse.fr

Adresse d’emploi :
29 rue Ponchardier, 42100 Saint-Étienne, France

Document attaché : 202211211820_2022_11_02_TinyMLInternship.pdf