Archives

Développement d’algorithmes de fusion de données évidentielle au sein d’un réseau de neurones pour la perception des véhicules autonomes

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

Laboratoire/Entreprise : IRIMAS
Durée : 6 mois
Contact : thomas.josso-laurain@uha.fr
Date limite de publication : 2023-06-01

Contexte :
Le stage proposé s’inscrit dans le contexte actuel des véhicules autonomes. De nos jours, la perception de l’environnement autour du véhicule représente encore un verrou scientifique. Cette information est primordiale pour la planification de la trajectoire à suivre, et une erreur peut très vite coûter des vies. La perception de l’environnement peut se décomposer en deux tâches hiérarchiques : la détection des zones d’intérêt et l’analyse de la scène perçue. Ce stage se focalise sur l’analyse et l’interprétation de la scène. Une fois les zones d’intérêt détectées, il s’agira de définir le contour des potentiels obstacles (bounding boxes) ainsi que de définir la nature de ces obstacles (notamment leur caractère mobile ou non) et les caractériser (taille, vitesse…).
Avec l’augmentation du nombre de capteurs de différente nature (caméra RGB, caméra plénoptique, lidar 2D, lidar 3D, radar, etc.), il convient d’opérer une fusion de ces informations hétérogènes afin de tirer profit de ce que chaque source a à offrir. Cette fusion peut être réalisée par des approches basées sur des modèles exprimés selon différents formalismes : la fusion probabiliste [1] ou la fusion évidentielle [2].
Avec l’émergence des puissances de calcul et de l’intelligence artificielle, de nombreuses approches basées données ont été développées pour performer les tâches de perception [3], souvent d’après les informations issues d’une unique caméra RGB. D’un côté, certains travaux intègrent désormais le formalisme évidentiel à des réseaux mono-capteur [4] voire multi-capteurs. D’autres fusionnent les données au sein de réseaux de neurones selon différentes architectures [5].
L’objectif de ce stage est de développer des systèmes de perception basés sur les réseaux de neurones intégrant une couche de fusion de données évidentielle. Le cadre applicatif sera le véhicule autonome du laboratoire IRIMAS avec ses capteurs intégrés.

Sujet :
Le/la stagiaire aura pour objectifs de faire un état de l’art sur la fusion de données, et particulièrement l’approche évidentielle, appliquée à la perception des véhicules autonomes. En parallèle, les Réseaux de Neurones Convolutifs (CNN) utilisés dans ce même cadre applicatif de la classification d’obstacles, seront étudiés.
En s’inspirant du travail de [4], il s’agira de mettre en place une structure neuronale permettant la fusion de plusieurs capteurs avec l’introduction de la théorie évidentielle. Dans un premier temps, le réseau de neurones sera choisi en accord avec l’application. Puis la méthode de fusion (pré-fusion, post-fusion ou cross-fusion) sera discutée. Enfin, des couches du réseau seront spécialement conçues pour intégrer l’approche évidentielle. Le modèle sera entraîné sur des datasets publics ou internes au laboratoire. Les résultats de classification de ce réseau de neurones évidentiel multi-capteurs seront analysés. L’ensemble des travaux de recherche réalisé par le/la stagiaire donnera lieu à des publications scientifiques pour des conférences internationales et/ou des journaux à facteur d’impact.

Profil du candidat :
Etudiant-e en dernière année d’Ecole d’ingénieur ou en Master 2, de formation Automatique, Systèmes Embarqués, Electronique, Informatique.

Formation et compétences requises :
Des bonnes compétences en programmation sont attendues. Une expérience de système réel, ou la connaissance de la théorie évidentielle, seront des plus.

Adresse d’emploi :
L’intégralité du stage se déroulera à IRIMAS, au sein du Département ASI (Automatique Signal Image) et plus précisément dans l’équipe MIAM (Modélisation Identification Automatique et Mécanique) de l’Université de Haute Alsace, à Mulhouse (France). Ce stage est financé par l’ANR JCJC EviDeep.
Pour toute demande d’information supplémentaire ou pour candidater, merci d’envoyer CV, résultats de Master/ingénieur et lettre de motivation avant le 01/01/2023. Pour des raisons sanitaires, nous n’accepterons que des candidatures issues d’étudiant(e)s actuellement en études supérieurs sur le sol français.

Document attaché : 202211171434_Master_internship_AV_2022.pdf

Representation Learning for Geographic Spatio-Temporal Generalisation

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

Laboratoire/Entreprise : ICube, University of Strasbourg
Durée : 6 mois
Contact : lampert@unistra.fr
Date limite de publication : 2022-12-12

Contexte :
Time-series are becoming prevalent in many fields, particularly when monitoring environmental changes of the Earth’s surface in the long term (climate change, urbanisation, etc), medium term (annual crop cycle, etc) or short term (earthquakes, floods, etc). With the current and future satellite constellations satellite image time-series (SITS) expand remote sensing’s impact.

Sujet :
Detailed subject: https://seafile.unistra.fr/f/7b4b402e34124fb396b7/?dl=1

The project’s goal is to develop domain invariant representations using deep learning for SITS analysis. Such methods will enable geographic generalisation, which consists of reusing information from the analysis of one geographic area to analyse others by using, or not, the same sensors, as proposed in [5]. Current approaches work for single images because they generally originate from the computer vision community.

The internship will start the evaluation of the state-of-the-art and to implement and extend approaches already developed in ICube [5,6].
Current work on domain adaptation (DA) for time-series uses either weak supervision [1] or attention-based mechanisms [2,3] for classification or focus on the related problem of time- series forecasting [4]. However, none of these approaches tackle the problem of learning DIRs that can be applied to several geographical locations simultaneously.

The work has two benefits: on the one hand, to reduce the burden of ground truth collection when sensors of different characteristics are used; and on the other to exploit the information contained in each data modality to learn representations that are more robust and general, i.e. to detect crops, land cover evolution, etc in different countries that exhibit different characteristics.

Your contributions will be part of the global work of the SDC researchers and will be validated through the partnership with CNES and potential collaboration with Tour du Valat. SDC’s aim is to propose and implement new generic methods and tools to exploit large sets of reference data from one domain/modality (sufficient to train an accurate detector) to train a multi- modal/domain detector that can be applied to imagery taken from another sensor for which there exists no reference data.

As such, the work tackles key problems in many machine learning & computer vision applications.

Profil du candidat :
• Experience with the Python (numpy, keras, tensorflow, etc.)
• Interest/experience in deep learning
• Knowledge of machine learning workflows and techniques (e.g. best practices around
training data management, understand basics of numerical optimisation)
• Familiarity with Linux environments
• Have excellent communication skills and a strong team player
• Good knowledge of English (French is not mandatory)

Formation et compétences requises :
2nd year of a Master’s in Computer Science degree or similar

Adresse d’emploi :
ICube UMR 7357 – Laboratoire des sciences de l’ingénieur, de l’informatique et de l’imagerie
300 bd Sébastien Brant – CS 10413 – F-67412 Illkirch Cedex

ORASIS 2023: journées francophones des jeunes chercheurs en vision par ordinateur

Date : 2023-05-22 => 2023-05-26
Lieu : Carqueiranne dans le VAR (région Provence-Alpes-Côte d’Azur).

La 19ième édition du colloque d’ORASIS, journées francophones des jeunes chercheurs en vision par ordinateur, se déroulera du 22 au 26 mai 2023 à Carqueiranne (Var, PACA). Elle sera organisée par l’équipe Signal et Image du Laboratoire d’Informatique et Systèmes UMR7020, au centre vacanciel Miléade à Carqueiranne. Ce colloque vise à réunir des jeunes chercheurs francophones (doctorants et jeunes docteurs) issus de la communauté de la vision par ordinateur ou de domaines connexes, avec l’ambition de favoriser, dans une ambiance conviviale, les échanges entre les participants, notamment entre les jeunes chercheurs et chercheurs expérimentés dans le domaine. Les journées seront rythmées par des sessions plénières ainsi que des sessions posters. Plusieurs sessions de conférenciers invités complètent le déroulement de ces journées.

La date limite de soumission des communications est le 15 février 2023. Vous pouvez soumettre soit des articles longs (6 à 8 pages) ou des articles courts présentant des résultats préliminaires.

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Interdisciplinary Seminar Algorithms and Society (ISAS)

Date : 2022-11-01 => 2022-11-16
Lieu : Université Paris Dauphine, Salle A711, 15h30-17h00

Thierry KIRAT (IRISSO, Dauphine-PSL), Olivia TAMBOU (CR2D, Dauphine-PSL), Virginie DO & Alexis TSOUKIAS (LAMSADE, Dauphine-PSL): Fairness and Explainability in Automatic Decision-Making Systems. A challenge for computer science and law (Room A 711).

Preprint downloadable at: https://arxiv.org/abs/2206.03226

The Interdisciplinary Seminar ‘Algorithms and Society’ (ISAS) focuses on the societal, legal, political and economic issues related to the development of algorithmic decisions. It aims at confronting the perspectives brought by the different specialists, by emphasizing the definitions of the key concepts and by supporting the interdisciplinary exchanges between social sciences, data science and artificial intelligence specialists.

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Multiscale non-linear deep learning strategies to enhance ocean surface dynamics description

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

Laboratoire/Entreprise : IMT Atlantique
Durée : 2 years
Contact : carlos.granero-belinchon@imt-atlantique.fr
Date limite de publication : 2023-03-01

Contexte :
The multiscale and non-linear nature of ocean surface dynamics plays a fundamental role in biogeochemical, ecological and climatic processes and consequently its characterization is a main topic in the current oceanographic research. Today the ocean dynamics can be studied through a large variety of remote sensing images of the ocean surface (Yahia et al. 2010, Renosh et al. 2015, Qiu et al. 2020) as well as from numerical simulations (Lellouche et al. 2021).

Thus, this project aims to reconstruct the unknown states of the ocean surface from physical knowledge of the system and available data that can be spatially distant, prior in time, at coarser resolution etc. We can then envisage physics-informed super-resolution, data generation and forecasting (Fablet et al. 2021) among other applications.

Sujet :
The main methodological objective is the formulation of multiscale DL models able to extract non-linear couplings. Moreover, we want this models to 1) be based on the physics of the system, and so to have a physics guided learning, and 2) to be interpretable from a physics point of view. With this purpose both the loss function and the model architectures will be adapted.

In order for our model to be a emulator of the state of the ocean, and then to take into account its turbulent nature, a stochastic component will be included and the incertitudes of the reconstructed states quantified.

Finally, numerical simulations of the ocean are available to validate our DL model before application on real remote sensing images.

Profil du candidat :
Candidate will have previous experience in Deep Learning/Machine learning , fluid physics and/or oceanography and would have shown strong interest on these topics during her/his PhD or previous postdocs. Good skills in python, pytorch, pytorch lightning are also required, as well as a background in teamwork. Previous experience in a multidisciplinary research team will also be considered as positive. The candidate must have passed at least 18 months in a non-French laboratory between May 1, 2019 and the start of the project.

Formation et compétences requises :
Candidates are required to have a PhD in Deep Learning/Machine learning with strong experience in Neural Networks.

Adresse d’emploi :
The Postdoc will work in collaboration with Carlos Granero-Belinchon and Ronan Fablet from IMT Atlantique, Simon van Gennip from Mercator Ocean International, and Bertrand Chapron from Ifremer. Thus, the research team is composed by physicist, oceanographers and artificial intelligence researchers from different laboratories, leading to a multidisciplinary project. Moreover, the postdoc will develop within the OSE research team at IMT (https://cia-oceanix.github.io/) which is a dynamic research group on image processing and artificial intelligence for Oceanography and Climate. The postdoc will also be part of the new Inria team Odissey (https://team.inria.fr/odyssey/).

The post-doctoral position is a two-year full-time appointment starting during 2023. Gross salary will depend on the experience of the candidate, up to approx. 55,000 €/year (net salary: up to approx. 30,000 €/year). The candidate will also benefit from French social insurance, and will have up to 45 days of annual leave. The candidate will be able to benefit up to 90 days of remote working per year.

The candidate will be based at the IMT Atlantique Campus (Brest) in a dynamic and stimulating working environment at five minutes walking from the beach.

Within the framework of the ANR JCJC project SCALES the postdoc will have funding for participation in conferences, publication fees and visits to external laboratories. Moreover, within the framework of the ANR Chair OCEANIX the postdoc will have access to compute servers : Datarmor and servers from OSE at IMT Atlantique.

Teaching activities at IMT Atlantique will also be proposed to the postdoc, mainly in signal processing, computer vision and artificial intelligence. These actvities, which imply an additional salary, will not be mandatory.

Motivated candidates should send a CV and a motivation letter to: carlos.granero-belinchon@imt-atlantique.fr.

Document attaché : 202211141201_Postdoc_ANR-SAD_v1.pdf

Réseaux de neurones à convolution informés par la physique : application à la convection turbulente

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

Laboratoire/Entreprise : LISN
Durée : 5 à 6 mois
Contact : anne.sergent@lisn.fr
Date limite de publication : 2022-12-31

Contexte :
La convection de Rayleigh-Bénard s’établit dans une cavité sous l’effet d’une différence de température imposée aux parois horizontales, la paroi du bas étant chauffée. L’écoulement résultant est caractérisé par la superposition de panaches à petite échelle, vecteurs de la chaleur, et d’un écoulement turbulent remplissant la cavité. Depuis de nombreuses années, nous simulons par simulation numérique directe (DNS) ce phénomène physique. Le passage à des simulations massivement parallèles nous permet maintenant de modéliser des jumeaux numériques des expérimentations. Cependant, ces calculs sont très lourds et même si la description spatio-temporelle de l’écoulement peut être très fine, il est difficile d’approcher statistiquement toutes les échelles de l’écoulement, de stocker l’intégralité des champs calculés, ou de rejouer facilement les séquences. C’est pourquoi nous cherchons à construire des modèles réduits de ces écoule-
ments, notamment par apprentissage automatique [LAS+22].

Sujet :
Nous cherchons ici à tirer partie des capacités d’apprentissage automa-
tique des réseaux de neurones pour réduire la complexité des données à sauvegarder, inférer des quantités cachées ou identifier des zones d’intérêt (par ex. [Cai+2021, FPSS19]). En particulier, on s’intéresse aux images d’ombroscopie, facilement obtenues expérimentalement, mais aussi numériquement, et qui contiennent une information 3D. A partir de réseaux à convolution, on utilisera des auto-encodeurs destinés à inférer les champs 2D/3D de température ou de vitesse. Une attention particulière sera portée sur la construction de la base de données d’entrée, de façon à assurer la robustesse du réseau. La base de données DNS est déjà existante [Bel+2021]. Les développements seront réalisés sous TensorFlow sur une carte du cluster GPU du cluster du laboratoire.

Profil du candidat :
Le candidat aura des connaissances dans un des thèmes suivants : Sciences des données, apprentissage automatique, statistiques/probabilités, mécanique des fluides.

Possibilité de continuer en thèse (financement ANR)

Formation et compétences requises :
Master de 2e année

Adresse d’emploi :
LISN, Campus universitaire, bat. 507 rue du Belvédère, 91405 Orsay

Document attaché : 202211091635_stage_sergent_2023_CNN.pdf

Modèle génératif pour les données de mobilité maritime

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

Laboratoire/Entreprise : Ecole Navale
Durée : 48 mois
Contact : cyril.ray@ecole-navale.fr
Date limite de publication : 2022-12-31

Contexte :
La thèse s’effectuera au sein de l’équipe de recherche MoTIM de l’ecole navale dans l’objectif de contribuer au domaine du Traitement de l’Information Maritime issue de sources hétérogènes (données capteurs, signaux, images, vidéos, informations géographiques, données textuelles) à l’aide d’algorithme d’intelligence artificielle.

La personne recrutée assure une charge d ’enseignement
annuelle maximale de 96 heures sous forme de travaux pratiques (TP), travaux dirigés (TD) ou encadrement de projets. Ces interventions s’effectuent dans le cadre de la formation d’ingénieur des élèves-officiers de l’Ecole Navale (niveau L3, M1 et M2). Elles peuvent aussi concerner les masters soutenus par l’Ecole Navale (niveau M1 et M2).

Sujet :
La génération de données et de jeux données pseudo-synthétiques est utilisée pour un large éventail d’activités, notamment comme données de test pour de nouveaux outils ou algorithmes, pour la validation de modèles et dans la formation de modèles d’IA [1]. Plus récemment la génération de données synthétiques créées artificiellement plutôt que générées par des événements réels a pris un essor avec l’apparition de modèles génératifs. Les données synthétiques constituent un type d’augmentation de données pour lequel les « Generative Adversarial Nets (GAN) » [2] ont montré des performances prometteuses sur divers types de données. Dans le domaine maritime, le suivi et l’analyse des mobilités a été accéléré avec l’apparition du Système Automatiquement d’Identification (AIS) qui permet la localisation des navires équipés en temps-réel et à travers tous les océans. Les données produites sont des séries spatio-temporelles impactées par
des données manquantes, des problèmes d’intégrité issues des capteurs et/ou de la transmission, et des malv ers ations de
natures diverses telles que la falsification de localisation, de trajectoire ou encore d’identité [3]. Dans ce contexte,
l’objectif de cette thèse est d’aborder la génération de données synthétiques et l’annotation sémantique d e c e tte d o nné e.
Les travaux de thèse pourront s’articuler notamment au travers des objectifs suivants :
− Développer un modèle génératif pour les données de mobilités maritimes permettant de produire des jeux de données
− Évaluer la prise en compte de données hétérogènes complémentaires ; eg. État de la mer.
− Aborder la scénarisation / annotation des jeux de données et évaluer l’utilité et l’impact de techniques « classiques »
d’imputation de données pour aborder la variabilité de scénarios conçus.
− Considérer le problème de classification et de détection de nouveauté en simultanée, notamment pour la prise en
compte de données falsifiées.
− Évaluer les performances / généricité de la démarche en fonction de la localisation géographique des données
produites.

Ressources : La recherche sera essentiellement basée sur les données issues par le système AIS qui fournit la localisation
des navires sur le globe (~ 4 TO / an) ainsi que des informations nominatives [4]. La plateforme TIM (Traitement de
l’Information Maritime) dispose de stations de travail (24 à 112 threads, 64 à 578 Go RAM), un serveur GPU 8*Nvidia
A100, un serveur GPU 8* Nvidia V100.

[1] C. Iphar, A.-L. Jousselme, C. Ray, Pseudo-synthetic datasets in support to maritime surveillance algorithms
assessment, 12 pages, In proceedings of VERITA, 19ème Journées Francophones Extraction et Gestion des
Connaissances (EGC) 2019, RNTI, Marie-Christine Rousset, Lydia Boudjeloud-Assala (eds.), 22 Jan 2019, Metz, France
[2] I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, and Y. Bengio.
Generative adversarial nets. Advances in neural information processing systems, 27, 2014
[3] C. Iphar, B. Costé, A. Napoli, C. Ray, R. Devillers, Integrity and Trust of Geographic Information, Chapter 4, pages
45-72, Geographic Data Imperfection 1: From Theory to Applications, Mireille Batton-Hubert, Eric Desjardin and
François Pinet (eds.), ISTE éditions, August 2019
[4] C. Ray, R. Dréo, E. Camossi, A.-L. Jousselme, C. Iphar, Heterogeneous Integrated Dataset for Maritime Intelligence,
Surveillance, and Reconnaissance, Data in Brief, Elsevier, 17 pages, Volume 25, August 2019

Profil du candidat :
Master (ou équivalent) en informatique.

Formation et compétences requises :
bonne connaissance des outils et des modèles de base de l’Intelligence Artificielle (apprentissage automatique / profond, etc.) et des techniques de représentation et de traitement de données (géographiques) hétérogènes (corrélation de données, analyse de séries temporelles, imputation de données, etc.)

Intérêt pour l’enseignement.

Adresse d’emploi :
Ecole Navale
Lanveoc
France

Document attaché : 202211090956_FDP_2022_DFS_DDR_AER_IA.pdf

Intelligence géospatiale maritime

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

Laboratoire/Entreprise : Ecole Navale
Durée : 24 mois
Contact : cyril.ray@ecole-navale.fr
Date limite de publication : 2022-12-31

Contexte :
Dans le cadre du projet GEOINT, réalisé en collaboration avec Sorbonne Université (Sorbonne Center for Artificial Intelligence : SCAI et l’Institut de l’Océan), et financé par l’Agence d’Innovation de la Défense (AID), l’École navale recherche une/un post-doctorant(e) en informatique / science des données. La personne recrutée participera aux différents travaux sur l’intelligence géospatiale maritime et notamment sur la préparation et le (pré)traitement de données issues de sources hétérogènes (données capteurs, signaux, images, vidéos, informations géographiques, données textuelles), sur la définition et la conception d’algorithme orienté sur l’analyse des mobilités maritimes.

Sujet :
La crise sanitaire et plus récemment la situation géopolitique internationale que nous traversons nous ont rappelé à quel point nos économies modernes étaient tributaires du transport international de marchandises en général et de la maritimisation des échanges internationaux en particulier (puisque 90% de ce transport s’effectuent par voie maritime). Le transport maritime est donc au coeur de nos économies globalisées.
Désormais, à l’aide de nombreux capteurs, un large panel de données maritimes est collecté en continu, archivé, et exploité pour la réalisation de nombreuses applications (suivi des pêches, sécurisation de la navigation, planification de routes optimales, contrôle du respect des règles internationales, protection de la biodiversité…). Les bénéfices de cette numérisation de l’espace et de l’information maritime sont multiples. Elle offre de nombreuses opportunités pour appréhender, analyser, prédire les échanges maritimes par l’analyse des données. L’intelligence géospatiale permet de corréler ces informations, dans l’espace et dans le temps afin d’approfondir la compréhension des mobilités et plus généralement de la situation maritime.
Malheureusement, ces échanges maritimes sont également utilisés pour dissimuler une grande variété d’activités illicites (ex : contournement d’embargos, transbordement sauvage, trafic en tout genre, etc.). L’exploitation de nombreuses faiblesses, failles de sécurité dans les systèmes et mécanismes de transmission ou captation de l’information de localisation temps-réel des navires, offre un large éventail de possibilités pour de la désinformation.
Ces problématiques de véracité peuvent affecter des prises de décision et constituent un enjeu croissant pour l’intelligence géospatiale. Cela nécessite de nouvelles approches de traitement de l’information ou l’adjonction de techniques et algorithmes ad hoc, mêlant connaissances d’expert et techniques d’apprentissage automatique, permettant le maintien de la compréhension informationnelle, la qualité des détections et des prédictions, et favorisant la rapidité d’analyse. L’objectif visé pour le poste concerne le développement d’algorithmes d’analyse et d’apprentissage innovants combinés à une analyse basée sur des règles pour soutenir l’intelligence géospatiale maritime. La recherche bénéficiera des travaux précédemment réalisés et sera organisée par les différents travaux à poursuivre :
– Collecte et préparation de données par fusion de sources diverses et prétraitements, incluant des problématiques de mesure de la qualité de données et de cotation ;
– Définition et implémentation d’algorithmes focalisés sur la compréhension des mobilités maritimes internationales. Modélisation ou apprentissage de comportements réguliers, de schémas et de mouvements indésirables ou anormaux en prenant en compte les possibilités de falsification de la donnée. Ces algorithmes prendront en compte autant que possible les aspects de frugalité (ratio performance de l’algorithme / puissance de calcul nécessaire) et d’explicabilité / transparence (XIA).
– Préparation de données / jeux de données, annotation, conception de scénarios pour l’évaluation des algorithmes.
– Mise en oeuvre d’interfaces (« dashboard data visualisation ») permettant de présenter, exploiter les données et les résultats d’analyse.

Ressources : La recherche sera essentiellement basée sur les données issues par le système AIS qui fournit la localisation des navires sur le globe (~ 4 TO / an) ainsi que des informations nominatives. La plateforme TIM (Traitement de l’Information Maritime) dispose de stations de travail (24 à 112 threads, 64 à 578 Go RAM), un serveur GPU 8*Nvidia A100, un serveur GPU 8* Nvidia V100.

Profil du candidat :
doctorat en informatique.

Formation et compétences requises :
bonne connaissance des outils et des modèles de base de l’Intelligence Artificielle (apprentissage automatique / profond, etc.) et des techniques de représentation et de traitement de données (géographiques) hétérogènes (corrélation de données, analyse de séries temporelles, imputation de données, etc.). Connaissance des différents modèles de bases de données incluant les bases de données graphe, relationnelles ; connaissances en statistique et fouille de données. Langages de programmation préférés : Python, R, Scala, Java.

Adresse d’emploi :
Ecole navale
Lanvéoc
France

Document attaché : 202211090951_FDP_2022_DDR_CDD_GEOINT.pdf

Ingénieur de Recherche : Analyse de données bancaires pour la détection de fraudes dans les paiements bancaires

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

Laboratoire/Entreprise : IRIMAS
Durée : 6 mois
Contact : maxime.devanne@uha.fr
Date limite de publication : 2022-12-31

Contexte :
Le volume des ventes en ligne en France ne cesse d’augmenter. Les paiements à distance sur Internet concentrent l’essentiel de la fraude sur les cartes bancaires françaises (70% du montant de la fraude (255 M€) alors qu’elle ne représente que 14% de la valeur des transactions nationales). La fraude est un phénomène complexe à détecter. En effet, les fraudeurs adaptent en permanence leurs techniques afin de déjouer le système, ce qui fait peser un risque financier et de réputation sur les sites e-commerce et les banques.

Sujet :
Le projet vise à développer des méthodes d’apprentissage automatique pour la détection des fraudes à la carte de crédit. Ce projet est une collaboration entre la société Enygma, spécialisée dans la détection des fraudes bancaires, et l’institut de recherche IRIMAS spécialisé dans les méthodes de machine learning.

Mission principale : La personne recrutée sera chargée de l’étude des méthodes existantes afin de proposer une approche d’apprentissage automatique de détection de fraude à partir de données bancaires.

Profil du candidat :
Les candidats doivent être titulaires d’un Master en informatique et justifier d’une expérience dans le domaine de l’apprentissage automatique. Nous recherchons un profil avec une bonne expérience des méthodes d’apprentissage profond ainsi que de la programmation en Python. Une expérience en optimisation ainsi qu’en programmation CUDA serait un plus.

Formation et compétences requises :
– Master ou Diplôme d’Ingénieur en Informatique
– Programmation Python
– Bibliothèques d’apprentissage automatique et d’apprentissage profond

Adresse d’emploi :
Université de Haute-Alsace
12 rue des Frères Lumière
68093 Mulhouse

Document attaché : 202211090808_IR SATT Enygma Fr-2.pdf

Premier colloque Français d’intelligence artificielle en Imagerie Biomédicale

Date : 2023-03-30 => 2023-03-31
Lieu : Institut Curie Paris

C’est avec grand plaisir que nous vous invitons à participer à la première édition du Colloque Français d’Intelligence Artificielle en Imagerie Biomédicale (IABM 2023). L’objectif de cette manifestation est de rassembler les acteurs français du domaine, qu’ils appartiennent au milieu académique, hospitalier ou industriel. Le colloque est co-organisé par les Instituts 3IA de Grenoble (MIAI), Nice (3IA Côte d’Azur) et Paris (PRAIRIE).

La soumission des posters est ouverte!

Les posters seront sélectionnés par le comité scientifique sur proposition d’un résumé. Retrouvez dans le site web IABM la page de soumission des résumés. La date limite pour soumettre un résumé est le 15/11/2022. Les meilleurs posters seront récompensés par un prix !

—————————–

Orateur principal

Nicholas Ayache (Inria Sophia-Antipolis, Équipe-projet Epione, 3IA Côte d’Azur)

Orateurs invités

Laure Blanc-Féraud (CNRS, Laboratoire I3S, Université Côte d’Azur, 3IA Côte d’Azur, Sophia-Antipolis)

Ninon Burgos (CNRS, Equipe-projet ARAMIS, Institut du Cerveau, PRAIRIE, Paris)

Emilie Chouzenoux (Inria, Equipe-projet OPIS, Centre pour la Vision Numérique, CentraleSupélec, Université Paris-Saclay, Saclay)

Pierrick Coupé (CNRS, Equipe PICTURA, LABRI, Université de Bordeaux, Bordeaux)

Olivier Humbert (Université Côte d’Azur, Centre Antoine Lacassagne, 3IA Côte d’Azur, Nice)

Charles Kervrann (Inria, Equipe-projet SERPICO, IRISA, Université de Rennes, Rennes)

Nicolas Padoy (Université de Strasbourg, Equipe CAMMA, IHU Strasbourg, Strasbourg)

Perrine Paul-Gilloteaux (CNRS, Institut du Thorax, Inserm, CNRS, Université de Nantes, Nantes)

Caroline Petitjean (Université de Rouen Normandie, Laboratoire LITIS, Rouen)

Jocelyne Troccaz (CNRS, Equipe GMCAO, Laboratoire TIMC, MIAI, Grenoble)

Gaël Varoquaux (Inria, Equipe SODA, Saclay)

Christophe Zimmer (Institut Pasteur, Equipe Imagerie et Modélisation, Paris)

Liste non-exhaustive…

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.