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

Laboratoire/Entreprise : Laboratoire GREYC – Caen
Durée : 6 mois
Contact : olivier.lezoray@unicaen.fr
Date limite de publication : 2022-04-15

Contexte :
Stage Master 2/Ingénieur – Laboratoire GREYC – Équipe Image – 2022
Sujet : Apprentissage profond de la qualité de maillages 3D
Mots clés : Apprentissage Profond, maillages, estimation de la qualité.
Équipe et laboratoire : Équipe IMAGE, Laboratoire GREYC (UMR CNRS 6072).
Encadrants : Christophe Charrier (MC UNICAEN), Olivier Lézoray (PR UNICAEN).
Adresses email : {christophe.charrier,olivier.lezoray}@unicaen.fr
Stage : durée de 5-6 mois, à Caen, au Campus 2, Bâtiment F de l’ENSICAEN

Sujet :
Les technologies 3D ont très fortement évolué ces dernières années au point d’être largement utilisées dans plusieurs applications grand public, notamment les jeux 3D en réseau, les applications de visualisation 3D, et les mondes virtuels et immersifs 3D (avec l’apparition du MetaVerse). Dans ces applications, les modèles 3D sont la principale forme de média utilisée, généralement représentés sous la forme de maillages 3D triangulés. Les maillages 3D sont habituellement composés d’un grand ensemble de sommets et de faces connectés qui doivent diffusés en temps réel. L’utilisation d’un grand nombre de sommets/faces permet une représentation très détaillée d’un modèle et améliore sa qualité visuelle mais cela au détriment d’une augmentation conséquente des temps de calculs requis pour effectuer un rendu du maillage. Par conséquent, un compromis apparaît souvent nécessaire entre la qualité visuelle des maillages 3D et le temps de traitement associé, d’où le besoin de pouvoir évaluer la qualité des maillages 3D.

L’objectif d’une méthode d’évaluation de la qualité des maillage (MQA pour Mesh Quality Assessment) est alors de déterminer automatiquement, en utilisant ou non le maillage de référence, un score de qualité pour le maillage 3D donné. Si les méthodes d’évaluation de la qualité des images (IQA pour Image Quality Assessment) [1] ont connu un très fort développement et on été intégrées dans de nombreuses applications de VOD (avec VMAF [2] pour Netix par exemple), ce n’est pas encore le cas des méthodes de MQA qui sont encore peu développées [3, 4]. Si certaines sont apparues récemment [5, 3, 6, 7, 8, 9], peu d’entre-elles (à l’exception de [10, 11]) font usage de l’apprentissage profond. Pourtant, là où les méthodes classiques exploitent des caractéristiques géométriques locales telles que la saillance ou la courbure, une méthode par apprentissage profond de MQA pourrait fortement bénéficier de l’intégration de caractéristiques de plus haut niveau et apprises de manière supervisée.
L’objectif du stage est de faire un bilan des approches existantes, d’implémenter les plus représentatives, et de les comparer sur des données de référence pour lesquelles la qualité de référence des maillages 3D est connue. Une partie du stage sera également dédié à la conception d’un nouvelle méthode profonde de MQA, qui prendra en entrée des descripteurs locaux extraits du maillage (patchs, matrice de covariances, ou sous graphes) et exploitera un apprentissage faiblement supervisé avec le formalisme MIL (Multiple Instance Learning).

Plan de travail :
— Bibliographie sur les méthodes de MQA (Mesh Quality Assessment),
— Implémentation de méthodes de l’état de l’art, en particulier de [10]
— Proposition d’une nouvelle méthode profonde reposant sur des descripteurs locaux du maillage,
— Comparaisons sur les bases Liris/EPFL et Liris Masking

Références
[1] Lanjiang. Wang, “A survey on iqa,” 2021.
[2] Reza Rassool, “VMAF reproducibility : Validating a perceptual practical video quality metric,” in 2017 IEEE International
Symposium on Broadband Multimedia Systems and Broadcasting, BMSB 2017, Cagliari, Italy, June 7-9, 2017. 2017, pp. 1–2,
IEEE.
[3] Abdullah Bulbul, Tolga K. Çapin, Guillaume Lavoué, and Marius Preda, “Assessing visual quality of 3-d polygonal models,”
IEEE Signal Process. Mag., vol. 28, no. 6, pp. 80–90, 2011.
[4] Guillaume Lavoué and Massimiliano Corsini, “A comparison of perceptually-based metrics for objective evaluation of
geometry processing,” IEEE Transactions on Multimedia, vol. 12, no. 7, pp. 636–649, 2010.
[5] Ilyass Abouelaziz, Mohammed El Hassouni, and Hocine Cheri, “Blind 3d mesh visual quality assessment using support
vector regression,” Multim. Tools Appl., vol. 77, no. 18, pp. 24365–24386, 2018.
[6] Guillaume Lavoué, “A multiscale metric for 3d mesh visual quality assessment,” Comput. Graph. Forum, vol. 30, no. 5, pp.
1427–1437, 2011.
[7] Anass Nouri, Christophe Charrier, and Olivier Lézoray, “3d blind mesh quality assessment index,” in 3D Image Processing,
Measurement (3DIPM), and Applications 2017, Burlingame, CA, USA, 29 January 2017 – 2 February 2017, William Puech and
Robert Sitnik, Eds. 2017, pp. 9–16, Ingenta.
[8] Fakhri Torkhani, KaiWang, and Jean-Marc Chassery, “Perceptual quality assessment of 3d dynamic meshes : Subjective
and objective studies,” Signal Process. Image Commun., vol. 31, pp. 185–204, 2015.
[9] Kai Wang, Fakhri Torkhani, and Annick Montanvert, “A fast roughness-based approach to the assessment of 3d mesh
visual quality,” Comput. Graph., vol. 36, no. 7, pp. 808–818, 2012.
[10] Ilyass Abouelaziz, Aladine Chetouani, Mohammed El Hassouni, Longin Jan Latecki, and Hocine Cheri, “3d visual saliency
and convolutional neural network for blind mesh quality assessment,” Neural Comput. Appl., vol. 32, no. 21, pp. 16589–
16603, 2020.
[11] Ilyass Abouelaziz, Aladine Chetouani, Mohammed El Hassouni, Hocine Cheri, and Longin Jan Latecki, “Learning graph
convolutional network for blind mesh visual quality assessment,” IEEE Access, vol. 9, pp. 108200–108211, 2021.

Profil du candidat :
Prol recherché :
— Etudiant.e en Master 2 Recherche ou en dernière année d’école d’ingénieur spécialisé en informatique, image et/ou intelligence artificielle .
— Une solide formation en machine learning est indispensable.
— Des connaissances et expériences solides en traitement d’images, apprentissage profond et programmation (Python, TensorFlow/PyTorch) sont nécessaires.
— La maîtrise de l’anglais scientique et des qualités rédactionnelles sont importantes.
— Autonomie et curiosité pour la recherche scientique.

Formation et compétences requises :
Candidature : Pour postuler, envoyer par email aux encadrants un dossier avec CV, lettre de motivation, relevés de notes des deux dernières années de formation, ainsi que toute pièce susceptible de renforcer la candidature (lettre de recommandation, etc.).

Adresse d’emploi :
Laboratoire GREYC UMR CNRS 6072, Caen

Document attaché : 202201110915_sujetMasterDeepMQA2022.pdf

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

Laboratoire/Entreprise : GREYC
Durée : 6 mois
Contact : olivier.lezoray@unicaen.fr
Date limite de publication : 2022-04-15

Contexte :
Sujet de stage Master 2/Ingénieur – Laboratoire GREYC – Équipe Image – 2022
Apprentissage profond de superpixels
Mots clés : Apprentissage profond, Traitement d’images, Vision par ordinateur, Segmentation, Superpixels.
Équipe et laboratoire : Équipe IMAGE, Laboratoire GREYC (UMR CNRS 6072).
Encadrants : Olivier Lézoray (PR UNICAEN), Sébastien Bougleux (MC UNICAEN).
Adresses email : {olivier.lezoray,sebastien.bougleux}@unicaen.fr
Stage : durée de 5-6 mois, à Caen, au Campus 2, ENSICAEN, Bâtiment F.

Sujet :
En traitement et analyse d’images, un superpixel désigne une région formée de pixels ayant des caractéristiques bas niveau similaires, typiquement perceptuelles comme la couleur. Le partitionnement d’une image en superpixels fournit généralement une sur-segmentation dont la taille et la forme des régions dépendent du choix des caractéristiques, de la mesure de similarité, et de la façon dont les pixels sont regroupés. Les différentes méthodes de segmentation en superpixels se distinguent par ces choix, souvent guidés par le contexte, l’application sous-jacente. Parmi les méthodes de sur-segmentation, celles basées sur les superpixels assurent une simplification des images perceptuellement plus cohérente, s’avérant plus performant dans de nombreuses problématiques, par exemple la stylisation, la vectorisation, la compression, l’estimation de la saillance, la détection d’objets, la segmentation sémantique, ou l’estimation du flux optique dans des vidéos.

Ces dernières années, on a pu assister à une augmentation spectaculaire de l’adoption de l’apprentissage profond pour un large éventail de problèmes de traitement et analyse d’images. À l’exception de quelques méthodes (par exemple [1, 2, 3, 4]), les superpixels sont rarement utilisés en conjonction avec les réseaux profonds modernes. Une formulation par apprentissage profond de superpixels qui puisse être effectuée de bout-en-bout (une image en entrée, une segmentation en superpixels en sortie) serait pourtant très intéressante. En effet, les algorithmes classiques tels que SLIC [5] opèrent uniquement sur des caractéristiques de couleur, ce qui peut limiter leur adaptation à des domaines d’images spécifiques, médicales par exemple. Une segmentation en superpixels pourrait fortement bénéficier de l’intégration de caractéristiques de plus haut niveau et apprises de manière supervisée. L’objectif du stage est de faire un bilan des approches existantes, d’implémenter les plus représentatives, et de les comparer sur des données pour lesquelles la segmentation de référence est connue. Une partie du stage sera également dédiée à la conception d’une nouvelle méthode profonde de superpixels, en s’inspirant des avantages des méthodes existantes.

Plan de travail :
— Bibliographie sur les méthodes de superpixels par apprentissage profond,
— Implémentation de méthodes de l’état de l’art,
— Proposition d’une nouvelle méthode,
— Comparaisons sur la Berkeley Segmentation Data Base et autres bases.

Références
[1] Varun Jampani, Deqing Sun, Ming-Yu Liu, Ming-Hsuan Yang, and Jan Kautz, “Superpixel sampling networks,” in Computer
Vision – ECCV 2018 – 15th European Conference, Munich, Germany, September 8-14, 2018, Proceedings, Part VII, Vittorio
Ferrari, Martial Hebert, Cristian Sminchisescu, and Yair Weiss, Eds. 2018, vol. 11211 of Lecture Notes in Computer Science,
pp. 363–380, Springer.
[2] Wei-Chih Tu, Ming-Yu Liu, Varun Jampani, Deqing Sun, Shao-Yi Chien, Ming-Hsuan Yang, and Jan Kautz, “Learning superpixels
with segmentation-aware afnity loss,” in 2018 IEEE Conference on Computer Vision and Pattern Recognition, CVPR
2018, Salt Lake City, UT, USA, June 18-22, 2018. 2018, pp. 568–576, Computer Vision Foundation / IEEE Computer Society.
[3] Thomas Verelst, Matthew B. Blaschko, and Maxim Berman, “Generating superpixels using deep image representations,”
CoRR, vol. abs/1903.04586, 2019.
[4] Fengting Yang, Qian Sun, Hailin Jin, and Zihan Zhou, “Superpixel segmentation with fully convolutional networks,” in 2020
IEEE/CVF Conference on Computer Vision and Pattern Recognition, CVPR 2020, Seattle, WA, USA, June 13-19, 2020. 2020,
pp. 13961–13970, Computer Vision Foundation / IEEE.
[5] Radhakrishna Achanta, Appu Shaji, Kevin Smith, Aurélien Lucchi, Pascal Fua, and Sabine Süsstrunk, “SLIC superpixels
compared to state-of-the-art superpixel methods,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 34, no. 11, pp. 2274–2282,
2012.

Profil du candidat :
Prol recherché :
— Etudiant.e en Master 2 Recherche ou en dernière année d’école d’ingénieur, spécialisé en informatique, image et/ou intelligence artificielle.
— Une solide formation en machine learning est indispensable.
— Des connaissances et expériences en traitement d’images, apprentissage profond et programmation (Python, TensorFlow/PyTorch) sont nécessaires.
— La maîtrise de l’anglais scientique et des qualités rédactionnelles sont importantes.
— Autonomie et curiosité pour la recherche scientique.

Formation et compétences requises :
Candidature : Pour postuler, envoyer par email aux encadrants un dossier avec CV, lettre de motivation, relevés
de notes des deux dernières années de formation, ainsi que toute pièce susceptible de renforcer la candidature
(lettre de recommandation, etc.).

Adresse d’emploi :
Laboratoire GREYC UMR CNRS 6072, Caen

Document attaché : 202201110909_sujetMasterDeepSuperPixels2022.pdf

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

Laboratoire/Entreprise : LIMOS / Mines Saint-Étienne
Durée : 6 mois
Contact : victor.charpenay@emse.fr
Date limite de publication : 2022-04-01

Contexte :
With the rise of an Industrial Internet of Things (IIoT) and the increased connectivity of industrial equipment, of sensors and of actuators, industrial control now is at the intersection between information technologies (IT) and operational technologies (OT). Industrial processes can be controlled with agility and efficiency by remote software components. The objective of SIRAM (Integrated Systems for Mobile Assistant Robots), a regional project involving Mecaconcept, Creative’IT and Mines Saint-Etienne, is to develop an interoperable, adaptive information system that integrates mobile assistant robots (RAM) in the Industry 4.0 environment of the IT’m Factory. The prototype developed in SIRAM aims at showing how a control system can automatically adapt to contextual evolution and deal with heterogeneous objects on the same factory floor, including production equipment equipped with a pre-programmed industrial controller, low-power connected devices mounted on that equipment and industrial robotic arms.

Sujet :
The objective of the internship is to extend an existing Knowledge Graph (KG) describing the IT’m Factory, such that a remote agent-based control system can observe the real-time state of the factory and act on it in a unified manner. KGs are particular kinds of databases designed to capture knowledge from various sources, represented as a set of interlinked entities.

Profil du candidat :
– good programming level in an object-oriented programming language (preferred: Java)
– basics of RDF and Semantic Web technologies
– basics of logical inference
– (optional) basics of logic programming

Formation et compétences requises :
2nd year master program in Computer Science or Data Science

Adresse d’emploi :
Saint-Étienne (Espace Fauriel)

Document attaché : 202201061152_WS_Industrial Control with Knowledge Graphs.pdf

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

Laboratoire/Entreprise : LORIA
Durée : 6 mois
Contact : lydia.boudjeloud-assala@univ-lorraine.fr
Date limite de publication : 2022-03-30

Contexte :
La lésion rénale aiguë (LRA) est un syndrome clinico-biologique dont l’ensemble de causes sont multiples et dont le degré de gravité est variable jusqu’à l’insuffisance rénale proprement dite. Elle est décomposée en trois stades selon les recommandations internationales KDIGO (Kidney Disease Improving Global Outcomes). Cette classification KDIGO est bien corrélées à la gravité de l’atteinte rénale puisque la morbidité qui en découle c’est-à-dire le risque d’évolution vers la nécessité d’une épuration extra-rénale, la durée de séjour en réanimation ou hospitalière, le risque d’évolution vers l’insuffisance rénale chronique et la mortalité estimée alors entre 45 et 70 % augmentent proportionnellement avec les stades de cette classification.
En réanimation, l’insuffisance rénale aiguë est le motif d’admission chez 1 % des patients et survient de façon intercurrente chez 5 à 8 % des patients. L’hospitalisation en réanimation est en effet une situation à risque, les facteurs de aggravants ayant tendance à se surajouter : hypovolémie, défaillance cardiaque, médicaments néphrotoxiques, injection de produit de contraste, patient âgé et/ou insuffisant rénal chronique.
En effet l’apparition des LRA est toujours précédée d’agressions rénales, qui si elles se répètent peuvent entrainer des lésions tissulaires irréversibles et au stade ultime une dysfonction. Les lésions rénales constituées restent à ce jour non accessibles à un quelconque traitement curatif. Ainsi, la recherche des facteurs de risque de survenue de LRA et la détection précoce des phénomènes d’agression rénale sont largement préconisées dans la littérature actuelle. Cette détection permet de limiter, chez ces patients à risques, de l’exposition aux agents ou procédures néphrotoxiques de façon à limiter l’aggravation et à ne pas compromettre davantage le potentiel de récupération.

Sujet :
Nous souhaitons appliquer les approches de fouille de données et d’apprentissage machine afin de découvrir des catégories de patients à risque de LRA et de façon plus précise par la seule prise en compte des facteurs favorisants déjà connus cités auparavant. Dans un premier temps une approche non supervisée serait préconisée afin de voir si on arrive à trouver les groupes liée au critère KDIGO en étudiant les données anthropométriques, cliniques et biologiques des patients disponibles.
Les données disponibles pour l’étude représentent l’ensemble des paramètres cliniques mesurés et enregistrés minute par minute, les traitements institués, et les éléments d’anamnèse conservés dans les bases de données des logiciels métiers Metavision et DXCare pour tous les patients hospitalisés dans le service de réanimation polyvalente depuis une période de 10 ans.

Profil du candidat :
Le candidat ou la candidate de niveau Bac+5, formé(e) au traitement de de données, texte, image, serait intéressé(e) par un projet pluridisciplinaire et les données médicales.

Formation et compétences requises :
Apprentissage machine, fouille de données, R, Python, SQL, traitement de données

Adresse d’emploi :
CHR Metz Thionville
Hôpital de Mercy, Metz

Document attaché : 202201050943_StageMaster_LORIA_CHR.pdf

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

Laboratoire/Entreprise : LEM3/LORIA (Metz)
Durée : 6 mois
Contact : lydia.boudjeloud-assala@univ-lorraine.fr
Date limite de publication : 2022-03-30

Contexte :
The Laboratoire d’Études des Microstructures et de Mécaniques des Matériaux (LEM3) is a center for transdisciplinary experimental and theoretical research combining mechanics of solids and metallurgy, materials science, chemistry, and physics. The LEM3 opts since many years to contribute to materials research by developing new devices and new techniques for characterizing microstructures with electron microscopies.

The Laboratoire lOrrain de Recherche en Informatique et ses Applications (LORIA) is a CNRS/INRIA/Université de Lorraine/ CnetraleSupélec laboratory, which conducts research in computer science and information and communication technologies. The Orpailleur team is mainly interested in knowledge discovery in databases i.e. processing large volumes of data for discovering patterns that are significant and reusable.

Sujet :
Developing new materials remains a main challenge to follow and predict the fast evolution of our society. Elaboration techniques must offer the possibility of developing such novel high-performance metals and alloys respecting environmental constraints. However, a mechanism-based tailoring of the performances requires constant improvements of experimental and theoretical techniques to unravel fundamental mechanisms controlling the macroscopic behavior. Plasticity is an important phenomenon which is considered here. It is closely related to the mechanical strength and formability and leads to progressive damage of components through non-reversible shape changes.
Most of used materials are generally polycrystalline, where grains are separated from their neighbors by Grain Boundaries (GBs). Grains cannot be deformed independently because the cohesion between them must be maintained. Dislocations glide through grains and interact with each other or with the GBs acting as sinks, traps, obstacles, and sources of dislocations. GBs are very important from the mechanical properties point of view.
Nowadays, we almost know how a dislocation interacts with a specific GB. But, understanding the collective response of several real GBs (contained in a real polycrystalline specimen) after receiving numerous dislocations is still a major scientific challenge. The difficulty becomes highly challenging when we consider the influence of the distribution of GBs, other types of interfaces, shape and orientation of grains, i.e. the microstructure.
In this context, our present objective is to explore a multi-level scale ranging from electron microscopy to micromechanics thank to machine learning methods. In this way, at the electron microscopy level we will develop new procedures for capturing statistically footprints of deformation mechanisms. At the micromechanics level, crystal plasticity models based on deep learning algorithms will be considered for suggesting specific microstructural parameters able to achieve targeted macroscopic mechanical properties. This project will have a major impact in current societal issues by enabling energy savings and limited costs associated with the tuning of microstructures targeting specific mechanical performances.
Supervised deep learning based on classification and/or regression is a machine learning approach known for being very efficient for treating numerical data. At first time, we will focus on the prediction of fundamental deformation mechanisms (slip, twinning, climbing, cross-slip) with respect to the specimen microstructure. In a mathematically simplistic way (see Figure), it requires, on one hand, to identify the relevant input (e.g. Euler angles…) and output (e.g. slip systems…) variables (let us call them x_1,x_2,…,x_n,y_i), and on the other hand the classifier F giving y ̂_i=F(x_1,x_2,…,x_n ), an “approximate” quantity tending towards the experimentally “true” measured value y_i. This classifier F must be based on a crystal plasticity law (f_CP), having a physical meaning, coupled (*) to a machine learning algorithm (f_ap) for its optimization. This aspect is the main originality of our strategy. During the learning phase, F will be trained to match at best the outputs y_i, experimentally measured, using the inputs x_i. Therefore, two work packages are necessary: feature engineering of the experimental datasets for feeding classifiers (F); development of classifiers (F) adapted for polycristalline plasticity.

Profil du candidat :
– You must have good knowledge in Machine learning.
– You have good written and verbal communication skills and enjoy working in a multi-thematic team.
– Good English language skills are required.

Formation et compétences requises :
The candidate should have a strong scientific background with good technical skills in programming.

Adresse d’emploi :
LEM3 : 7 Rue Félix Savart, 57070 Metz
LORIA : 2 Rue Édouard Belin 57070 Metz, France

Document attaché : 202201050936_ApplicationMaster_LORIA_LEM3.pdf