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

Laboratoire/Entreprise : LIFO
Durée : 4-6 mois
Contact : mirian@univ-orleans.fr
Date limite de publication : 2021-12-16

Contexte :
Dans le contexte de l’action DOING.

Sujet :
Ce stage a comme objectif la proposition d’une méthode semi-automatique pour traiter les questions des experts du domaine de la santé pour dériver des templates de requêtes science des données qui fournissent des réponses à ces questions.

Profil du candidat :
Niveau master

Formation et compétences requises :
Bonne notions de bases de données , théorie de langange, Intelligence artificielle

Adresse d’emploi :
LIFO

Document attaché : 202111301154_DSqueries-GetInfo.pdf

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

Laboratoire/Entreprise : LIFO (Laboratoire d’Informatique Fondamentale d’
Durée : 4-6 mois
Contact : mirian@univ-orleans.fr
Date limite de publication : 2021-12-16

Contexte :
Stage proposé dans le cadre de l’action DOING.

Sujet :
Le stage a comme objectif l’étude de la conception d’un système d’interrogation capable d’offrir à ses utilisateurs des requêtes d’analyse prescriptive (Prescriptive Analytics en anglais)

Profil du candidat :
Niveau master

Formation et compétences requises :
De bonnes notions en bases de données et intelligence artificielle

Adresse d’emploi :
LIFO

Document attaché : 202111301150_DSqueries.pdf

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

Laboratoire/Entreprise : Laboratoire ERIC / CABOT Financial
Durée : 5 à 6 mois
Contact : adrien.guille@univ-lyon2.fr
Date limite de publication : 2021-11-30

Contexte :
Le stage se situe dans le contexte d’une collaboration entre le laboratoire ERIC et Cabot Financial France. Cabot Financial France est la filiale française du groupe Encore Capital, leader mondial du rachat de créances. Le métier de Cabot est de racheter des créances impayées aux banques pour tenter ensuite de les recouvrer. En rachetant aux banques leurs créances douteuses, Cabot sécurise les bilans de celles-ci et contribue ainsi au bon fonctionnement de l’économie. L’objectif des opérations de recouvrement est de joindre les débiteurs pour mettre en place un plan soutenable d’apurement de leurs dettes. Les plateaux d’appels de Cabot passent ainsi chaque semaine plusieurs milliers d’appels téléphoniques qui peuvent déboucher sur des engagements des débiteurs.

Sujet :
L’objectif du stage est de proposer une solution pour prédire si un engagement pris au cours d’une conversation téléphonique sera tenu ou non. Plus exactement, il s’agit d’une tâche de classification définie sur des données textuelles, les conversations étant restranscrites. La difficulté à résoudre cette tâche réside dans la nature conversationnelle de ces textes et la nécessité de modéliser explicitement les interlocuteurs et leurs prises de parole. On se propose d’étudier les avancées récentes en matière de réseaux de neurones profonds pour l’apprentissage à partir du texte, et d’explorer de nouvelles architectures plus expressive, e.g. hiérarchiques, adaptées à la nature des textes considérés.

Profil du candidat :
Master 2 / Dernier année d’école d’ingénieur

Formation et compétences requises :
Apprentissage automatique
Traitement automatique de la langue

Adresse d’emploi :
Lyon ou Paris

Document attaché : 202111291412_Offre de stage – Cabot.pdf

Offre en lien avec l’Action/le Réseau : BigData4Astro/Doctorants

Laboratoire/Entreprise : Romea team, INRAE Clermont-Ferrand
Durée : 6 mois
Contact : zhongkai.zhang@inrae.fr
Date limite de publication : 2021-11-30

Contexte :
Mobile robot control can be achieved by either model-based or data-driven methods. Model-based methods have stability guarantee, but they need analytical models with a higher accuracy. It is usually difficult to obtain an accurate model for high-speed and off-road mobile robots because of the presence of sliding. Data-driven methods need a huge amount of data instead of an accurate model, but they lack of stability guarantee. It is natural to combine both methods for control design in order to get the advantages of each method. Existing hybrid methods
assume that the data is enough to predict the model, which is usually not guaranteed in real application. Therefore, the main objective of this master project is to investigate a methodology to combine data-driven model(Bayesian neural network) with model-based control(model predictive control) to achieve stable path following tasks, even if the amount of data is not enough to recover the robot model. Results aims at adapting an off-road mobile robot behaviour to the diversity of encountered situations in an agricultural context. The proposed trainee will take part of experiments conducted on different robot available at INRAE.

Sujet :
Hybrid Data-driven/Model-based Methods for Mobile Robot Control

Profil du candidat :
see the attached document

Formation et compétences requises :
Technical Skills: machine learning, control theory, robotics
Software: Python, C++, Pytorch, ROS
Language: English

Adresse d’emploi :
CLermont-Ferrand

Document attaché : 202111290803_Hybrid Data-driven and Model-based Methods for Mobile Robot Control.pdf

Offre en lien avec l’Action/le Réseau : BigData4Astro/Doctorants

Laboratoire/Entreprise : Romea team, INRAE Clermong-Ferrand
Durée : 6 mois
Contact : zhongkai.zhang@inrae.fr
Date limite de publication : 2021-11-30

Contexte :
The equipment of 3D Lidar sensor for mobile robot navigation
allows to obtain real-time point clouds. Compared with 2D RGB
image, 3D point cloud describes more information of the environment. However, object detection from 3D point cloud is more changing than their 2D counterpart, especially for disordered point cloud. Object detection using supervised learning methods needs a huge annotated data, and when the background changes, new labels should be annotated again. Generative Adversarial Networks (GAN) have been proposed to reduce the annotation task by human for 2D image segmentation. Although GANs have been adapted for 3D point cloud generation, it is not clear how to achieve unsupervised object detection from point cloud using GANs. Therefore, the main objective of this master project is to explore an efficient GAN architecture to detect object of interest from 3D point cloud, and employ it in agricultural fields for the detection of plants, roads and obstacles. Results aims at the representation of agricultural environment and the guidance of off-road mobile robot. The proposed trainee will take part of experiments using a 3D Lidar sensor available at INRAE.

Sujet :
Object Detection in Agricultural Fields using 3D LiDAR Point Cloud

Profil du candidat :
M2 in AI or Robotics

Formation et compétences requises :
M2 in AI or Robotics:

Technical Skills: deep learning, computer vision, robotics
Software: Python, C++, Pytorch, ROS
Language: English

Adresse d’emploi :
Clermont-Ferrand

Document attaché : 202111290755_Object Detection in Agricultural Fields using 3D LiDAR Point Cloud.pdf

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

Laboratoire/Entreprise : TETIS
Durée : 6 mois
Contact : dino.ienco@inrae.fr
Date limite de publication : 2022-01-31

Contexte :
A l’heure actuelle, une pléthore de missions satellitaires recueille en permanence des données de télédétection décrivant la surface de la Terre selon diverses modalités (par exemple, SAR ou optique) et à différentes résolutions spatiales et temporelles. Par conséquent, une même zone d’étude peut être couverte par des informations hétérogènes et multimodales. Ces informations sont d’une importance capitale pour surveiller les phénomènes spatio-temporels et produire des cartes d’occupation des sols afin de faciliter une agriculture durable, le suivi de l’artificialisation et les décisions de politique publique. Ces dernières années, la communauté des chercheurs en télédétection a porté son attention sur l’utilisation d’approches fondées sur l’apprentissage profond (ou deep-learning). Ces approches permettent d’intégrer des acquisitions de capteurs complémentaires disponibles sur la même zone d’étude [1], dans le but d’exploiter l’interaction entre des sources ayant différents contenus spectraux et spatiaux. L’objectif est d’améliorer la cartographie d’occupation du sol en tirant parti de toutes les sources d’imagerie disponibles.
Une tâche particulièrement intéressante pour la communauté de télédétection est l’augmentation de la résolution spatiale des images satellitaires à travers un processus dit de super-résolution [2]. Ce processus permet d’améliorer la résolution spatiale d’une image pour faciliter des analyses expertes ainsi que pour la classification supervisée ou la segmentation sémantique d’imagerie satellitaire [3]. Aujourd’hui, pour accomplir cette tâche, les méthodes de deep-learning de type Réseau Génératif Adverse (Generative Adversarial Networks, GAN) [2] ou d’autres approches basées sur des erreurs de reconstruction [4] sont de plus en plus utilisées du fait que leurs performances s’avèrent très intéressantes pour améliorer la résolution spatiale initiale des images satellitaires.

[1] D. Hong, L. Gao, N. Yokoya, J. Yao, J. Chanussot, Q. Du, B. Zhang: More Diverse Means Better: Multimodal Deep Learning Meets Remote-Sensing Imagery Classification. IEEE Trans. Geosci. Remote. Sens. 59(5): 4340-4354 (2021).

[2] D. Guo, Y. Xia, L. Xu, W. Li, X. Luo: Remote sensing image super-resolution using cascade generative adversarial nets. Neurocomputing 443: 117-130 (2021)

[3] X. Chen, Z. Li, J. Jiang, Z. Han, S. Deng, Z. Li, T. Fang, H. Huo, Q. Li, M. Liu: Adaptive Effective Receptive Field Convolution for Semantic Segmentation of VHR Remote Sensing Images. IEEE Trans. Geosci. Remote. Sens. 59(4): 3532-3546 (2021)

[4] B. Huang, B. He, L. Wu, Z. Guo: Deep Residual Dual-Attention Network for Super-Resolution Reconstruction of Remote Sensing Images. Remote. Sens. 13(14): 2784 (2021)

Sujet :
L’objectif du stage est de caractériser le potentiel de la super-résolution des images optiques Sentinel-2 (imagerie satellitaires multispectrales – 13 bandes spectrales couvrent du visible au proche/moyen visible – à 10m de résolution spatiale) à partir d’images optiques très haute résolution Spot-6/7 (imagerie satellitaires multispectrales – 1 bande panchromatique plus 4 bandes spectrales Rouge, Bleu, Vert et Proche Infrarouge – à 1,5m panchromatic et 6m multispectrales) pour la classification d’images au pixel.

En particulier, la mission de la personne recrutée seront:
Une étude bibliographique des méthodes à état de l’art en apprentissage profond, dans le domaine de la télédétection, pour la tâche de super-résolution spatiale;
La construction d’un jeu de données d’images Sentinel-2 et Spot-6/7;
Le choix de deux méthodes de super-résolution complémentaires, leur implémentation et leur application sur le jeu de données précédemment constitué;
L’évaluation des résultats des méthodes implémentées et leur comparaison en utilisant des métriques d’estimation de la qualité des images reconstruites;
L’évaluation des résultats obtenus avec les méthodes de super-résolution implémentées dans le contexte d’une application de classification supervisée d’images satellitaires sur une tâche de cartographie d’occupation du sol et/ou classification de la surface artificialisée.

Profil du candidat :
– Master en informatique ou un autre domaine des mathématiques appliquées, ou Diplôme d’Ingénieur.
– Connaissance requise du langage python, avec une première expérience de TensorFlow, Keras ou Pytorch.
– Compétences en traitement des signaux ou des images.
– Connaissance et expérience dans l’analyse de données de télédétection est un plus.
– Bon niveau en anglais (lecture).

Formation et compétences requises :
– Master en informatique ou un autre domaine des mathématiques appliquées, ou Diplôme d’Ingénieur.
– Connaissance requise du langage python, avec une première expérience de TensorFlow, Keras ou Pytorch.
– Compétences en traitement des signaux ou des images.
– Connaissance et expérience dans l’analyse de données de télédétection est un plus.
– Bon niveau en anglais (lecture).

Adresse d’emploi :
UMR TETIS,
500, Rue Jean François Breton
34090 Montpellier

Document attaché : 202111270922_Sujet_Stage.pdf

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

Laboratoire/Entreprise : Institut FEMTO-ST
Durée : 5 à 6 mois
Contact : zeina.almasry@femto-st.fr
Date limite de publication : 2022-01-29

Contexte :
Le matériau VO2 présente une transition métal-isolant réversible proche de la température ambiante (60-70◦C). Une telle transition se manifeste par des variations significatives (4 à 5 ordres de grandeur) de ses propriétés électroniques notamment. Afin d’optimiser cette transition, une collecte de données (mesures de résistivité électrique en fonction de la température) est nécessaire. La collecte de données est parfois une tâche coûteuse en termes de temps et de ressources, et en particulier dans la préparation des expérimentations. Pour pallier à ce problème, ce projet vise à développer un simulateur basé sur des modèles probabilistes pour identifier les paramètres pertinents à la réalisation de ces expérimentations.

Sujet :
Développement attendus :
— Analyse des besoins et écriture d’un cahier des charges ;
— Appropriation des méthodes probabilistes pour les mettre en oeuvre dans la
réalisation du simulateur ;
— Faire des expérimentations sur la transition du film VO2 ;
— Identification des paramètres clés ;
— Réalisation et validation du simulateur.

Profil du candidat :
Master 2 en probabilités et statistique ou dernière année en école d’ingénieurs.

Formation et compétences requises :
Master 2 en probabilités et statistique ou dernière année en école d’ingénieurs.

Adresse d’emploi :
24 Rue Alain Savary, 25000 Besançon

Document attaché : 202111251048_OffredeStage.pdf