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

Laboratoire/Entreprise : LIRIS
Durée : 6 mois
Contact : stefan.duffner@insa-lyon.fr
Date limite de publication : 2023-12-15

Contexte :
–

Sujet :
–

Profil du candidat :
–

Formation et compétences requises :
–

Adresse d’emploi :
–

Document attaché : 202310231313_sujet_stage_M2_ia3f.pdf

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

Laboratoire/Entreprise : Institut de Neurosciences de la Timone
Durée : 5 ou 6 mois
Contact : olivier.coulon@univ-amu.fr
Date limite de publication : 2024-01-15

Contexte :
The human cerebral cortex undergoes dynamic and regionally heterogeneous development during gestation [1]. Cortical surface-based analysis is based on the reconstruction of topologically-correct and geometrically accurate surface representations of the folded, thin cerebral cortex. The fetal cerebral cortex is typically represented as a triangulated mesh with a spherical topology for each brain hemisphere, generated from a tissue segmentation of the structural MRI scan.

Sujet :
In this context, and although various algorithmic solutions have been proposed in the past to propose such meshes, deep learning approaches have now become state-of-the-art for cortical surface generation [2]. The goal of this internship is to evaluate some of these methods. In particular we will evaluate their performance on fetal MR data, that are difficult to process with standard methods.
The candidate will be in charge of:
1. Testing pre-selected deep-learning approaches from the literature (CortexODE [3] CorticalFlow++[4], DeepCSR[5], PialNN[6], Topofit[7]).
2. Comparing these methods on a large dataset of fetal MRI available in the team and containing normal and pathological scans
3. Perform an application study on the obtained surfaces representations to characterize normal and pathological fetal development (optional, depending on progress)

[1] I.Kostović,G.Sedmak,andM.Judaš,“Neuralhistologyandneurogenesisofthehumanfetal and infant brain,” NeuroImage. 2019, doi: 10.1016/j.neuroimage.2018.12.043.
[2] F.Zhao,Z.Wu,andG.Li,“Deeplearningincorticalsurface-basedneuroimageanalysis:a systematic review,” Intell. Med., 2023, doi: 10.1016/j.imed.2022.06.002.
[3] Q.Ma,L.Li,E.C.Robinson,B.Kainz,D.Rueckert,andA.Alansary,“CortexODE:Learning Cortical Surface Reconstruction by Neural ODEs.” arXiv, 2022 http://arxiv.org/abs/2202.08329
[4] R.SantaCruzetal.,“CorticalFlow++:BoostingCorticalSurfaceReconstructionAccuracy, Regularity, and Interoperability,” in MICCAI 2022, doi: 10.1007/978-3-031-16443-9_48.
[5] R.S.Cruz,L.Lebrat,P.Bourgeat,C.Fookes,J.Fripp,andO.Salvado,“DeepCSR:A3D Deep Learning Approach for Cortical Surface Reconstruction,” IEEE/CVF, 2021, https://openaccess.thecvf.com/content/WACV2021/html/Santa_Cruz_DeepCSR_A_3D_Deep_ Learning_Approach_for_Cortical_Surface_Reconstruction_WACV_2021_paper.html
[6] Q.Ma,E.C.Robinson,B.Kainz,D.Rueckert,andA.Alansary,“PialNN:AFastDeepLearning Framework for Cortical Pial Surface Reconstruction,” in Machine Learning in Clinical Neuroimaging, 2021, doi: 10.1007/978-3-030-87586-2_8.
[7] A.Hoopes,J.E.Iglesias,B.Fischl,D.Greve,andA.V.Dalca,“TopoFit:RapidReconstruction of Topologically-Correct Cortical Surfaces,” MIDL, 2021, https://openreview.net/forum?id=-JiHeZNDY3a

Profil du candidat :
Nous recherchons un étudiant en M2 ou Dernière année d’école d’ingénieur, motivé par l’imagerie médicale ou les neurosciences, et possédant les compétences suivantes:

Formation et compétences requises :
– une bonne connaissance des principes de l’apprentissage profond.
– une expérience de python pour l’apprentissage profond (e.g. Pytorch)
– une connaissance de Git et des environnements de type Linux.
– une expériences précédente dans le domaine de l’apprentissage profond est un plus.

Adresse d’emploi :
The intern will integrate the MeCA research team of the Institut des Neurosciences de la Timone, in Marseille, France. The Meca team (www;meca-brain.org)combines expertise in processing of large fetal MRI databases and surface based morphometry methods. Tools and data required for the internship will be provided by the team.

Document attaché : 202310201221_2024_M2_internship_surface_extraction.pdf

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

Laboratoire/Entreprise : GREYC
Durée : 6 mois
Contact : nicolas.passat@univ-reims.fr
Date limite de publication : 2024-01-31

Contexte :
cf. https://kenmochi.users.greyc.fr/tmp/sujetStageM2_2024_YK-NP.pdf

Sujet :
cf. https://kenmochi.users.greyc.fr/tmp/sujetStageM2_2024_YK-NP.pdf

Profil du candidat :
cf. https://kenmochi.users.greyc.fr/tmp/sujetStageM2_2024_YK-NP.pdf

Formation et compétences requises :
cf. https://kenmochi.users.greyc.fr/tmp/sujetStageM2_2024_YK-NP.pdf

Adresse d’emploi :
Caen

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

Laboratoire/Entreprise : CReSTIC
Durée : 6 mois
Contact : nicolas.passat@univ-reims.fr
Date limite de publication : 2024-01-31

Contexte :
cf. https://medyc.cnrs.fr/wp-content/uploads/2023/10/Stage_MODELAGE.pdf

Sujet :
cf. https://medyc.cnrs.fr/wp-content/uploads/2023/10/Stage_MODELAGE.pdf

Profil du candidat :
cf. https://medyc.cnrs.fr/wp-content/uploads/2023/10/Stage_MODELAGE.pdf

Formation et compétences requises :
cf. https://medyc.cnrs.fr/wp-content/uploads/2023/10/Stage_MODELAGE.pdf

Adresse d’emploi :
Reims

Document attaché : 202310200605_Stage_MODELAGE.pdf

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

Laboratoire/Entreprise : TSCF, INRAE Clermont-Auvergne-Rhône-Alpes, campus
Durée : Adaptable en fonctio
Contact : francois.pinet@inrae.fr
Date limite de publication : 2024-02-15

Contexte :
Pour candidater, merci d’envoyer rapidement un CV par email à : François Pinet, Directeur de recherche (INRAE) : francois.pinet@inrae.fr

Equipe de recherche « COPAIN – Systèmes d’information communicants et agri-environnementaux », Unité de Recherche « TSCF – Technologies et Systèmes d’information pour les agrosystèmes – Clermont-Ferrand ». https://www6.ara.inrae.fr/tscf/Les-equipes/Equipe-Copain
INRAE, campus des Cézeaux, Aubière

Le laboratoire de recherche TSCF d’INRAE rassemble 60 agents. Il mobilise les sciences pour l’ingénieur et les sciences et technologies de l’information et de la communication pour conduire des recherches sur les méthodes et outils pour une ingénierie des systèmes agro-environnementaux. L’activité de l’équipe d’accueil (COPAIN) au sein du laboratoire, est consacrée aux techniques d’ingénierie des systèmes d’information communicants dédiées à la gestion agri-environnementale.
Le stage sera co-encadré à distance par des scientifiques de l’unité de recherche SADAPT « Science Action Développement – Activités Produits Territoires » d’INRAE qui se trouve en région parisienne. Le sujet du stage s’inscrit dans la continuité des travaux du réseau POPCORN . Dans le cadre du projet de recherche POP-Extend qui vise à mieux comprendre le métabolisme agri-alimentaire des territoires en développant un modèle intégré production-consommation-déchet.
Plus largement, INRAE a pour objectif de répondre aux enjeux sociétaux concernant :
– La sécurité alimentaire et nutritionnelle ;
– La transition des agricultures (agroécologie, réduction de la chimie) ;
– La gestion des ressources naturelles et des écosystèmes (eau, sol, forêt) ;
– L’érosion de la biodiversité ;
– L’économie circulaire et les risques naturels.

Sujet :
A INRAE, une application Web pour le diagnostic et l’étude de la consommation alimentaire est en cours de développement depuis 2021. Ce logiciel peut être utilisé pour comparer la consommation alimentaire de territoires contrastés (par ex. moyennes versus grandes villes ; différentes aires urbaines) ou pour analyser l’autonomie alimentaire théorique de territoires. A terme, une possible utilisation concernera la comparaison avec des scénarios basés sur des évolutions de population, de leur mobilité et de leurs pratiques alimentaires (par ex. augmentation du télétravail, baisse des flux touristiques, développement de régimes “santé”).
L’application a été programmée en Java (pour la gestion du serveur) et Javascript (pour le contenu des pages Web), et est connectée à une base de données Postgresql qui stocke notamment des données statistiques. Des visualisations graphiques (charts) ont été implémentées avec Jqplot. L’application intègre aussi une interface cartographique créée avec Leaflet, qui permet d’afficher les données géoréférencées.
L’objectif du présent stage est d’analyser avec les encadrants de nouvelles fonctionnalités, et de les implémenter au sein de l’application. Ces modifications toucheront à la fois la base de données, le code du serveur et le code embarqués dans les pages Web qui seront visualisées par les utilisateurs. Les travaux seront réalisés dans un processus itératif : spécifications des besoins utilisateurs, implémentation informatique, validation et tests.
L’outil pourra intéresser les communautés scientifiques pluridisciplinaires mobilisant des approches systémiques dans l’analyse des conditions d’une territorialisation des systèmes agri-alimentaires, de la réduction de leurs empreintes sur l’environnement, et dans l’éclairage d‘opportunités et de limites d’une transition bioéconomique des territoires, et ainsi servir aux travaux de chercheuses et chercheurs issu.e.s de multiples disciplines (SHS et sciences dures).

Profil du candidat :
Compétences techniques requises : Connaissance de langages Java et Javascript

Formation et compétences requises :
Niveau requis : Nous recherchons un étudiant en cours de formation informatique (Licence, Maîtrise ou école d’ingénieurs).

Période de stage : En 2024. Durée et dates adaptables en fonction de la formation universitaire.

Adresse d’emploi :
INRAE, TSCF, Campus universitaire des Cézeaux, 9 avenue Blaise Pascal – CS 20085 – 63178 Aubière

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

Laboratoire/Entreprise : EDF R&D
Durée : 6 mois
Contact : laurent.bozzi@edf.fr
Date limite de publication : 2024-02-15

Contexte :
Le département SEQUOIA (Services, Economie, Questions hUmaines, Outils innovants et IA) de la R&D, intervient en appui à de la direction Marketing de la Branche Commerce d’EDF.
Afin de mieux connaitre ses clients et maintenir leur niveau de satisfaction, EDF Commerce réalise des actions marketing à destination de ses clients particuliers, nécessitant un appui de data scientists pour le scoring, l’aide au ciblage de clients. Ce stage s’inscrit dans le cadre du projet « IA, Algos, DATA pour Commerce BtoC» de la R&D, qui intervient notamment auprès de Commerce en appui méthodologique, data et IA afin de rendre les méthodes plus robustes et explicables et améliorer la connaissance client.
Aujourd’hui les données recueillies à EDF sont de nature multiple :
• Tabulaire : données numériques, catégorielles (binaires, nominales, ordonnées) : par exemple
infos logement client…
• Textuelles : champs textuels d’enquêtes…
• Images : photos d’équipements électriques…
Des méthodes statistiques différentes fonctionnent en général indépendamment sur chaque type de données. Depuis fin 2021, la R&D travaille sur la modélisation en simultané sur ces types de données, en particulier tabulaires et textuelles. On parle alors de données multimodales : structurées (tabulaires) et non structurées (textuelles). Des travaux de recherche ont également été menés sur l’explicabilité pour ce type de modèles : comment expliquer conjointement les influences issues de chaque modalité ?
En effet, l’explicabilité est devenue incontournable lorsque l’on développe un modèle d’IA. Les exigences réglementaires (RGPD) concernant l’utilisation des données imposent une transparence et une compréhension des algorithmes (confiance, auditabilité). L’arrivée prévue en 2026 de l’AI Act vient également renforcer les besoins d’anticipation autour de l’explicabilité.
Ce champ de recherche étant en constante évolution, il s’agira d’approfondir les travaux passés en testant et imaginant de nouvelles méthodes : comment bien prendre en compte les spécificités de chaque type de données dans l’explicabilité ?
Ce sujet est un stage préparatoire à une thèse qui se lancera à l’automne 2024 dans la continuité.

Sujet :
Le stage comportera plusieurs phases :
• Montée en compétence sur l’existant :
o Les méthodologies employées : Deep Learning sur données multimodales, explicabilité
sur données structurées, explicabilité sur données textuelles
o Travaux passés sur le multimodal XAI : prise en main des codes Python (framework Deep
Learning Pytorch; packages d’explicabilité SHAP et Captum ; packages relatifs aux modèles de langue BERT).
o Jeux de données open source adaptés à la problématique : prise en main de l’existant (airbnb, kickstarter) et recherche de jeux de données complémentaires.
• Benchmark de méthodes :
o Revue de littérature des méthodes, notamment les fondements du Multimodal :
https://arxiv.org/pdf/2209.03430.pdf
o Identification de nouveaux packages d’explicabilité pouvant s’appliquer ou s’adapter aux données multimodales
o Testetévaluationdeméthodes
o Recommandationd’utilisationetd’adaptationdeméthodes
• Participation aux travaux d’alimentation et de rédaction collégiale d’un guide interne sur l’explicabilité, sous forme d’un wiki
• Conception d’une méthode hybride d’explicabilité sur données multimodales : o ConceptiondelaméthodeetcréationducodePythonassocié
o Tests sur un cas d’application
• Rédaction d’une note recensant les travaux effectués :
o Revue de littérature commentée avec les résultats de l’évaluation o Descriptiondétailléedelaméthodehybrideconçue
o Guided’utilisationdescodes

Profil du candidat :
Informatique / Statistiques

Formation et compétences requises :
La R&D propose ce stage de fin d’étude, à des étudiants d’écoles d’ingénieurs en parcours Data science ou Master 2 en statistiques (Machine Learning / Deep Learning) & IA.

Adresse d’emploi :
EDF – Recherches et Développement, 7 Bd Gaspard Monge, 91120 Palaiseau
Possibilité de télétravail occasionnel après période d’intégration.

Document attaché : 202310181338_EDF-R&D_Stage_Multimodal_XAI_2024.pdf

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

Laboratoire/Entreprise : LISTIC
Durée : 4-6 mois
Contact : christophe.lin-kwong-chon@univ-smb.fr
Date limite de publication : 2024-02-15

Contexte :
L’interférométrie SAR (InSAR) fournit des mesures de déplacement précises sur de grandes étendues pour la surveillance des activités volcaniques. Les positions des fissures volcaniques sur les interférogrammes constituent une information importante dans la modélisation des volcans. De nos jours, la localisation de ces fissures est principalement effectuée manuellement par des experts. Avec l’augmentation sans cesse des données SAR, cette tâche nécessite des méthodes avancées permettant une détection automatique de manière
efficace. Pour cela, nous tirons profit de l’avènement récent de l’apprentissage automatique, dont l’intérêt a été prouvé dans de nombreuses études de différents domaines.

Sujet :
Dans ce stage, nous envisageons de proposer des méthodes d’apprentissage automatique pour détecter et localiser les fissures volcaniques sur des interférogrammes mesurant les déformations du Piton de la Fournaise entre 1998 et 2020. Ces méthodes proposées devront prendre en compte la spécificité des données InSAR (données complexes) et la quantité limitée des données d’apprentissage. Nous commencerons par des méthodes de classifications classiques pour la détection des fissures (e.g. random forest, SVM, etc.) et progresserons graduellement vers l’étude des méthodes d’apprentissage profond, notamment des méthodes d’auto-apprentissage.

Profil du candidat :
Le candidat/la candidate M2 devra disposer de connaissances et compétences en apprentissage automatique et en programmation (Python, C, etc.). Des connaissances en télédétection radar seront les bienvenues.

Formation et compétences requises :
apprentissage automatique, programmation

Adresse d’emploi :
LISTIC, Anney, France

Document attaché : 202310181338_2023_sujet_stage_teledetection_ML.pdf