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

Laboratoire/Entreprise : DUKe, LS2N (Laboratory of Digital Sciences of Nan
Durée : 3 years
Contact : Fabrice.Guillet@univ-nantes.fr
Date limite de publication : 2023-08-31

Contexte :
PhD Description

Background. The popularity of ontologies and the easy access to a large number of textual resources have strongly motivated the automatic construction of ontologies using artificial intelligence techniques. Three types of construction approaches are distinguished: distributional approaches, knowledge graph-based approaches and pattern-based approaches [Xu et al., 2019, Chen et al. 2020]. In this thesis, we will focus on distributional approaches and more specifically on clustering and graph-based approaches. Generally, clustering allows to consider a large amount of data. However, it faces two main difficulties: the cluster labelling and the formation of semantically consistent clusters relevant to the ontology domain. In our previous work, we have developed a prior knowledge-driven LDA to tackle these two difficulties [Huang et al. 2021, Xu et al 2020]. However, clustering based approaches suffer also from the sparsity of the term representation space [Shwartz et al., 2016]. Graph-based approaches extract triples from texts (subject, predicate, object), then align and link them to form knowledge graphs (e.g. Yago, DBpedia). They allow to process a large number of texts and build very large graphs, but they suffer from the issue of data heterogeneity, because the same concept can be denoted by different terms in distinct triples and the same term can have several semantics [Nguyen and Ichise, 2012], [Kertkeidkachorn and Ichise, 2018].

Sujet :
Title: Combining Knowledge graph embedding and prior knowledge based semi-supervised learning for ontology learning from large scale data.

Keywords: Ontology learning, Knowledge Graph Completion, Prior Knowledge, Clustering, Relation Prediction, Knowledge Graph Embedding, Graph Neural Network.

Laboratory: DUKe, LS2N (Laboratory of Digital Sciences of Nantes, France) and a collaboration with NII & AIST (Tokyo, Japan)

Supervisors: Mounira Harzallah and Fabrice Guillet

CNRS financial support: 2135 € (gross salary)/month and a NII financial support for the Japan internship.

Start date: 1st of October

Duration: 3 years

Requirements:

-Education Level: MSc

-Field: Computer Science, Data Science, Web Science, Computational Linguistics, Artificial Intelligence

-Candidate Profile: Knowledge on Data mining/Machine Learning, Knowledge on Semantic Web and NLP will be strongly appreciated but not mandatory, Knowledge in programing languages mainly Python.

-Language: English

The application evaluation will be continuous until the position is filled. Interested candidates should submit : CV, cover letter, transcripts of records of the tree last years and names and addresses of two references. Applications should be submitted to mounira.harzallah@univ-nantes.fr and fabrice.guillet@univ-nantes.fr

PhD purpose.

The purpose of this thesis is to develop a new approach for automatic ontology construction combining semi-supervised clustering methods driven by prior knowledge (seed knowledge, local knowledge, domain knowledge, DBpedia,..) [Jagarlamudi et al. 2012, Xu et al. 2019, Huang et al, 2021] and knowledge graph embedding [Ebisu and Ichise, 2018]. This new approach will solve the scientific locks of data heterogeneity and data sparsity. By defining cluster terms by subgraphs and their vector embeddings, the problem of text sparsity can be addressed and the quality of clusters can be improved. In recent years, graph embedding has gained rapid growth [Zhang et al. 2020]. It aims to automatically learn a low-dimensional feature representation for each node in a graph. Graph embedding is used in the construction of machine learning models for various tasks, and our goal is to exploit them to improve ontology learning. The approach to be developed in this thesis will also infer hypernym relationships between terms within each cluster. The objective of this task is threefold: 1) to evaluate the quality of the clusters, 2) to refine their description space in an iterative clustering/extraction of hypernym relations/clustering approach, and 3) to evaluate and improve the quality of the exploited knowledge graphs from which term subgraphs are extracted.

The positioning and significance of this research

Since Ontology is crucial for AI applications, many research studies are working on ontology learning. However, they investigate the sparsity and the heterogeneous problem separately. The first originality of our research is to combine knowledge graph representation and prior-knowledge-driven clustering to solve simultaneously the sparsity and the heterogeneous problems. Knowledge graph and graph embedding deal with sparsity problem and prior knowledge-driven clustering deals with heterogenous problem.The second originality of our research is to enrich semantically the graph embedding by integrating prior knowledge from the core ontology in the process of embedding. Focusing on improving the embedding process itself, Sun et al [2020] show that embedding based approaches perform well when training is performed on the text corpus from which the graph is constructed. However, in the case where this corpus is unavailable or of small size, the graph embedding will be based exclusively on its structure, which weakens the performance of these approaches. In this case, in order to semantically enrich the graph embedding input, considering the semantics of certain entities or properties of the graphs could be relevant. This enrichment could be done using a domain ontology or its core ontology.

Therefore, we would like to develop an original approach benefiting on the one hand from the power of graph embedding techniques for the clustering of entities, and on the other hand from the semantic quality of ontology in order to drive and refine the learning. A core ontology will be used as a seed knowledge model to improve the quality of graph embedding as well as for clustering.

Profil du candidat :
Requirements:

-Education Level: MSc

-Field: Computer Science, Data Science, Web Science, Computational Linguistics, Artificial Intelligence

-Candidate Profile: Knowledge on Data mining/Machine Learning, Knowledge on Semantic Web and NLP will be strongly appreciated but not mandatory, Knowledge in programing languages mainly Python.

-Language: English

The application evaluation will be continuous until the position is filled. Interested candidates should submit : CV, cover letter, transcripts of records of the tree last years and names and addresses of two references. Applications should be submitted to mounira.harzallah@univ-nantes.fr and fabrice.guillet@univ-nantes.fr

Formation et compétences requises :
MSc in computer sciences with a good ranking

Adresse d’emploi :
Laboratory: DUKe, LS2N (Laboratory of Digital Sciences of Nantes, France) and a collaboration with NII & AIST (Tokyo, Japan)

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

Laboratoire/Entreprise : UMR 7020 Laboratoire d’Informatique & Systèmes (L
Durée : 36 mois
Contact : julien.seinturier@univ-tln.fr
Date limite de publication : 2023-08-31

Contexte :
La surveillance et le suivi des ouvrages d’art est une problématique actuelle dans le domaine des Bâtiments et Travaux Public (BTP). Parmi les ouvrages les plus à risque, les structures béton comme les ponts ou les barrages sont surveillés et suivi grâce à l’étude des fissures pouvant apparaitre à leur surface. Les méthodes actuelles de détection et de classification de fissures béton sont articulées autour de trois axes.
L’étude experte consistent à faire analyser par un expert béton des prises de vues de fissures ou les fissures elles même in situ. A partir des données recueillies, l’expert émet une conclusion afin de planifier les interventions nécessaires. L’intervention manuelle pose de nombreuses contraintes comme le nombre de structures à surveiller surpassant de loin la capacité d’inspection des experts ou l’accès aux sites eux-mêmes.
Les méthodes basées sur l’inférence logique reposent sur la formalisation des connaissances expertes impliquées dans la détection et la classification de fissures. Ces connaissances peuvent être intégrées dans des systèmes expert [1] ou dans des ontologies [2], [3]. Les moteurs d’inférence sous-jacent permettent alors de classifier les fissures à partir des données recueillies. De telles méthodes répondent à la problématique de la disponibilité des experts et à l’explicabilité des résultats fournis (par la nature de l’inférence logique). Cependant, elles sont soumises aux contraintes de l’inférence logique et de sa complexité algorithmique qui n’est pas adapté à de grands volumes de données.
L’apprentissage automatique, en particulier basé sur des images, permet dans la détection de fissures à partir de simples images. De nombreuses solutions ont été proposées à partir d’apprentissage machine standard [4] ou encore d’apprentissage profond [5], [6]. Ces solutions sont rapides, ne demandent pas l’acquisition de données complexes et ont un bon ratio de détection et de classification. Les contraintes de l’apprentissage automatique restent néanmoins présentes, comme la justification d’une détection / classification ou encore la prédiction de l’évolution d’une fissure.

Sujet :
La thèse vise la mise en place d’une approche neuro-symbolique pour répondre à la problématique de la surveillance et le suivi des ouvrages d’art. Le choix des méthodes automatiques et le choix d’un cadre de formalisation des connaissances expertes s’avère alors critique. Au-delà de la simple détection de fissure, l’approche doit également être capable de justifier ses choix et de les expliquer aux experts (qui restent les décideurs finaux). Un verrou secondaire est l’évaluation de la meilleure méthode d’intégration entre approche neuronale et approche symbolique (comme utiliser l’approche neuronale comme fournisseur de faits pour l’inférence symbolique ou utiliser la connaissance symbolique pour paramétrer le réseau de neurones).

Les travaux engagés visent à proposer une approche permettant l’automatisation de la détection et de la classification de fissures béton en intégrant les approches basées sur l’apprentissage automatique [4]–[6] et les approches basées sur la représentation des connaissances et l’inférence [3] au sein d’un même cadre unifié. La construction de ce cadre s’appuiera sur les dernières recherches menées dans le domaine de l’intelligence artificielle neuro symbolique [9], [10].
Dans un premier temps, un état de l’art sera réalisé à sur la détection et la classification d’objets par apprentissage automatique ainsi que sur la représentation de connaissances expertes et l’inférence sur celles-ci. Différentes méthodes issues de ces approches seront implantées et testées afin de retenir les plus à mêmes d’être intégrées dans un cadre unifié.
Dans un second temps, le cadre unifié sera implanté au moyen d’ontologies. Le formalisme choisi reposera sur l’Ontology Web Language étendu aux logiques de descriptions (OWL-DL)[11] pour la formalisation de connaissances et sur le Semantic Web Rule Language (SWRL)[12] pour ses capacités d’inférences. Le choix de baser le cadre sur OWL permettra d’intégrer également des représentations ontologiques du temps [13] et de l’espace [14], [15], notions fondamentales dans la localisation et le suivi d’objets.
Une fois des méthodes de détection automatiques de fissures par apprentissage automatique et le la connaissance experte formalisée, une approche neuro-symbolique pour la détection et la classification de fissures sera proposée à partir de l’état de l’art [9], [10]. Une première piste pouvant être suivi dans ce contexte étant de peupler l’ontologie à partir des résultats de détection / classification automatique et de procéder à des inférences classiques ou du requêtage, par exemple via SPARQL.
Après avoir mis en place le pipeline de détection / classification fondé sur une approche neuro-symbolique, les travaux seront évalués en utilisant des données réelles acquises par le système de photogrammétrie HYDRO Series déployé sur des sites identifiés.

[1] P. Dalmagioni, M. Lazzari, R. Pellegrini, S. Paolo, et M. Emborg, « An Expert System For Managing Early Age Concrete Crack Prediction », in Proceedings of the 9th International Workshop of the European Group for Intelligent Computing in Engineering, Darmstadt, Germany, août 2002.
[2] W. T. Chen et T. A. Bria, « A Review of Ontology-Based Safety Management in Construction », Sustainability, vol. 15, no 1, 2023, doi: 10.3390/su15010413.
[3] S. Jung, S. Lee, et J. Yu, « Ontological Approach for Automatic Inference of Concrete Crack Cause », Appl. Sci., vol. 11, no 1, déc. 2020, doi: 10.3390/app11010252.
[4] H. Kim, E. Ahn, M. Shin, et S.-H. Sim, « Crack and Noncrack Classification from Concrete Surface Images Using Machine Learning », Struct. Health Monit., vol. 18, no 3, p. 725‑738, avr. 2018, doi: https://doi.org/10.1177/14759217187687.
[5] P. Tupe-Waghmare et R. R. Joshi, « A Scoping Review of Classification of Concrete Cracks using Deep Convolution Learning Approach », Libr. Philos. Pract., vol. 5127, no 1, févr. 2021, [En ligne]. Disponible sur: https://digitalcommons.unl.edu/libphilprac/5127/
[6] W. R. L. da Silva et D. S. de Lucena, « Concrete Cracks Detection Based on Deep Learning Image Classification », in Proceedings of the 18th International Conference on Experimental Mechanics ICEM18, Brussels, Belgium, janv. 2018, vol. 2, no 8. doi: 10.3390/ICEM18-05387.
[7] F. Menna et al., « Evaluation of vision-based localization and mapping techniques in a subsea metrology scenario », Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci., vol. XLII-2/W10, p. 127‑134, mai 2019, doi: 10.5194/isprs-archives-XLII-2-W10-127-2019.
[8] F. Menna et al., « Towards real-time underwater photogrammetry for subsea metrology applications », in Proceedings of OCEANS 2019 conference, Marseilles, France, juin 2019, p. 1‑10. doi: 10.1109/OCEANSE.2019.8867285.
[9] P. Hitzler et S. Kamruzzaman, Neuro-Symbolic Artificial Intelligence: The State of the Art, Joost Breuker, Nicola Guarino., vol. 342. Nieuwe Hemweg 6B 1013 BG, Amsterdam, Netherlands: IOS Press, 2022. [En ligne]. Disponible sur: https://ebooks.iospress.nl/ISBN/978-1-64368-245-7
[10] A. d’Avila Garcez et al., « Neural-Symbolic Learning and Reasoning: Contributions and Challenges », in Proceedings of the 2015 AAAI Spring Symposium Series, Stanford University, USA, mars 2015. [En ligne]. Disponible sur: https://www.aaai.org/ocs/index.php/SSS/SSS15/paper/view/10281
[11] OWL Working Group, « OWL 2 Web Ontology Language Document Overview », W3C, Recommandation, déc. 2012. [En ligne]. Disponible sur: https://www.w3.org/TR/owl2-overview/
[12] I. Horrocks, P. F. Patel-Schneider, H. Boley, S. Tabet, B. Grosof, et M. Dean, « SWRL: A Semantic Web Rule Language Combining OWL and RuleML », W3C, Submission, mai 2004. [En ligne]. Disponible sur: https://www.w3.org/Submission/SWRL/
[13] S. Cox et C. Little, « Time Ontology in OWL », W3C, Recommandation, nov. 2022. [En ligne]. Disponible sur: https://www.w3.org/TR/owl-time/
[14] S. Marc-Zwecker, F. de Bertrand de Beuvron, C. Zanni-Merk, et F. Le Ber, « Qualitative spatial reasoning in RCC8 with OWL and SWRL », in Proceedingsof the 5th International Conference on Knowledge Engineering and Ontology Development KEOD2013, Vilamoura, Algarve, Portugal, sept. 2013, p. 214‑221. doi: 10.5220/0004543702140221.
[15] Y. Wang, Q. Mengling, H. Liu, et X. ye, « Qualitative spatial reasoning on topological relations by combining the semantic web and constraint satisfaction », Geo-Spat. Inf. Sci., vol. 21, no 2, p. 80‑92, févr. 2017, doi: 10.1080/10095020.2018.1430659.
[16] Md. Safiuddin, A. B. M. A. Kaish, C.-O. Woon, et S. N. Raman, « Early-Age Cracking in Concrete: Causes, Consequences, Remedial Measures, and Recommendations », Appl. Sci., vol. 8, no 10, sept. 2018, doi: 10.3390/app8101730.
[17] C. J. Larosche, « Types and causes of cracking in concrete structures », Failure, distress and repair of concrete structures. Woodhead Publishing Limited, p. 57‑83, 2009. doi: 10.1533/9781845697037.1.57.
[18] J. F. Allen, « Maintaining knowledge about temporal intervals », Commun. ACM, no 11, p. 832‑843, nov. 1983, doi: https://doi.org/10.1145/182.358434.
[19] J. F. Allen, « An Interval-Based Representation of Temporal Knowledge », in Proceedings of the 7th international joint conference on Artificial intelligence IJCAI’81, Vancouver, BC, Canada, août 1981, vol. 1, p. 221‑226. [En ligne]. Disponible sur: https://www.ijcai.org/Proceedings/81-1/Papers/045.pdf
[20] D. A. Randell, Z. Cui, et A. G. Cohn, « A spatial logic based on regions and connection », in Proceedings of the Third International Conference on Principles of Knowledge Representation and Reasoning, Cambridge, oct. 1992, p. 165‑176.

Profil du candidat :
Le candidat devra avoir une formation en informatique avec de solides bases formelles, notamment en Représentation des connaissances (Ontologies, OWL) et en apprentissage machine (Apprentissage profond). Une connaissance des Systèmes d’Informations et de de la Vision par Ordinateur sera un plus pour s’intégrer au projet et échange avec les partenaires.

La thèse étant un profil CIFRE, un profil ingénieur ainsi qu’une sensibilité au monde de l’entreprise peuvent s’avérer être des avantage.

Formation et compétences requises :
Formation Bac + 5 (Master 2 / Ingénieur) en informatique avec des UE s’approchant des domaines de l’Intelligence Artificielle et des systèmes d’informations.

Adresse d’emploi :
L’emploi sera réparti entre la société IVM Technologies, située à Marseille (9ième arrondissement) pour 70% du temps et l’Université de Toulon (30% du temps). La répartition des lieux de travail pourra être affinée en accord avec le candidat.

Document attaché : 202305101530_2023-THESE-IVM-LIS-UTLN-COURT.pdf

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

Laboratoire/Entreprise : LITIS Lab (INSA Rouen Normandy) and University of
Durée : 4 years
Contact : paul.honeine@univ-rouen.fr
Date limite de publication : 2023-05-15

Contexte :
Cotutelle INSA Rouen Normandy and University of Tartu (Estonia)

Supervisors: Amnir Hadachi, Abdelaziz Bensrhair, Paul Honeine

Please send CV and transcripts to:
– Amnir Hadachi: hadachi@ut.ee
– Abdelaziz Bensrhair: abdelaziz.bensrhair@insa-rouen.fr
– Paul Honeine: paul.honeine@univ-rouen

Sujet :
In the last decades, we witnessed rapid artificial intelligence advancements built upon deep learning (DL). Moreover, the DL decision mechanism is so obscure that testing is the only way to verify it. Hence, the process from training to testing any model is computationally demanding. Consequently, due to their high carbon footprint, DL networks become a concern for suitability. From this perspective, green learning (GL) has been presented as a potential solution to address these concerns. Thus, the Ph.D. topic is focused on exploring the possibilities of the GL paradigm and how it can be adopted in rethinking and redesigning the models’ architectures to reduce the carbon footprint of computer vision algorithms based on Deep learning.

Profil du candidat :
The PhD candidate must be a graduate student or have a MSc or engineering degree in one of the following fields: computer science, data science, computer vision, applied mathematics or equivalent. She/he must have a strong background in machine learning and/or computer vision. Experience in deep learning is appreciated, as well as proficient programming skills in Python.

Formation et compétences requises :
–

Adresse d’emploi :
INSA Rouen Normandy and University of Tartu (Estonia)

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

Laboratoire/Entreprise : ICube, Université de Strasbourg, CNRS
Durée : 3 years
Contact : remi.allegre@unistra.fr
Date limite de publication : 2023-07-30

Contexte :
The aim of this Doctoral thesis is to develop an approach to reconstruct 3D+t (i.e. temporally-consistent) mesh models of growing plants suitable for accurate measurements at fine scales.

Deadline for application: May 23, 2023

Sujet :
Host team: IGG (Computer Graphics and Geometry Group), ICube laboratory

Advisor: Franck Hétroy-Wheeler, Professor in Computer Science (hetroywheeler AT unistra.fr)

Co-advisor: Rémi Allègre, Associate Professor in Computer Science (remi.allegre AT unistra.fr)

Starting date: October 2023

Keywords: Computer Vision, Computer Graphics, Image Processing, Data Science

Description: This doctoral thesis position is proposed in the context of a research project with biophysicists from the University Paris Diderot and ENS Lyon. This project aims at modeling plant growth movements during leaf development and understanding the underlying physical and biological mechanisms at play. In this context, measurements of both plant movements and magnitude of local growth are required. This is currently achieved with the help of photogrammetry only at a coarse scale, considering small sets of markers painted on the leaves. A key challenge of this project is to develop an approach to reconstruct 3D+t (i.e. temporally-consistent) mesh models of growing plants suitable for accurate measurements at fine scales, which involves both high-resolution reconstruction and point-to-point correspondences issues. The goal of this thesis is to address this challenge following a three-part approach: 1) the estimation of optical and scene flows from photographs for fine-scale correspondences between time steps, 2) the combination of different acquisition modalities (photogrammetry, laser scanning and structured light scanning) for high-resolution 3D reconstruction, and 3) the definition of either fine-scale statistical geometric templates for leaves or a neural network architecture for shape interpolation. The developed models and methods will rely on recent machine learning techniques. Several datasets of photographs and 3D reconstructions of growing plants will be provided.

A detailed version of the proposal including bibliography is available at the following address:
https://seafile.unistra.fr/f/93cc5483d1514e3a9b0c/

Profil du candidat :
Desired skills:
– Computer Vision, and/or Computer Graphics or Image Processing, or Data Science
– Basic skills in machine and deep learning

Formation et compétences requises :
M2 or Engineering School degree in Computer Science

Adresse d’emploi :
Illkirch (Strasbourg area)

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

Laboratoire/Entreprise : L@bISEN Yncréa Ouest, Equipe Vision-AD et Thales B
Durée : 3 ans
Contact : ayoub.karine@yncrea.fr
Date limite de publication : 2023-07-30

Contexte :
L’océan couvre la plus grande partie de la surface de la Terre (environ 71%) avec une superficie de 361 millions de kilomètres carrés. De ce fait, cette richesse naturelle est étudiée avec la plus grande attention pour répondre à des enjeux écologiques et économiques cruciaux. Dans ce sens, les recherches scientifiques peuvent se scinder en deux grandes familles à savoir l’étude de la surface des océans et l’étude du milieu sous-marin. C’est dans le contexte général de l’interprétation du milieu sous-marin que s’articule le présent sujet de thèse. L’interprétation directe de ce milieu par un être humain reste une tâche risquée, coûteuse et difficile compte tenu du temps et des coûts liés aux systèmes d’acquisition et aux missions sous-marines. En conséquence, il est nécessaire de développer de nouvelles méthodes visant à définir des outils technologiques de prise de décision pour l’exploration automatique du milieu sous-marin.

Sujet :
Les données concernant le milieu sous-marin peuvent être acquises via des systèmes d’observation à l’instar des drones sous-marins autonomes (AUV, Autonomous Underwater Vehicle). Ces systèmes sont dotés de capteurs de vision leur permettant d’acquérir des vidéos sous-marines optiques. L’analyse automatique de ces flux vidéo permet d’interpréter avec plus de finesse l’espace sous-marin pour des missions de cartographie, d’études des habitats, de suivis de structures sous-marines ou encore pour la recherche d’objets immergés. Dans la présente thèse, nous nous intéressons à la segmentation sémantique qui vise à affecter une classe à chaque pixel dans les vidéos. Ainsi, la carte de segmentation générée représente une classification fine des différentes zones (substrats et objets) de la scène observée. En vision sous-marine, cette tâche est effectuée en s’inspirant des méthodes d’intelligence artificielle ayant montré leurs suprématies dans l’interprétation du milieu aérien à l’instar des réseaux de neurones profonds [1, 2]. Étant donné qu’une vidéo est une succession d’images (frames), la solution la plus directe pour sa segmentation sémantique est d’appliquer un modèle de prédiction à chacune de ses images en utilisant un CNN (Convolutional Neural Network) par exemple [3]. Cependant, cette solution naïve ne fait pas preuve de bonne performance pour la segmentation. Ceci est dû principalement à la nonconsidération de la relation temporelle entre les images de la vidéo. Contrairement aux images statiques, l’information temporelle est d’une grande importance dans le traitement des vidéos. Elle permet de modéliser la progression de la scène observée dans le temps. Par conséquent, les travaux récents traitant cette problématique essaient de prédire les classes associées aux pixels d’une image à l’instant “t” en utilisant les classes affectées aux pixels des images précédentes (“t-1”, “t-2”, etc.). Pour ce faire, plusieurs travaux, après la segmentation sémantique de chaque image, ajoutent un module d’agrégation (flux optique, tracking, etc.) suivi d’un réseau de neurones séquentiel (RNN, LSTM, Transformer, etc.). D’autres familles de méthodes n’utilisent que quelques images de la vidéo (appelés keyframes) et propagent les cartes caractéristiques

vers les autres images à travers le flux optique. Néanmoins, l’adaptation de ces méthodes en vision sous-marine a montré des limites en termes de robustesse, mais aussi en termes de temps de calcul. Ces deux limites sont respectivement liées, principalement, à deux facteurs : (1) la non-disponibilité d’un grand jeu de données étiquetées de vidéos sous-marines, ceci à cause des coûts élevés des missions d’acquisition (systèmes coûteux et annotation manuelle chronophage des vidéos pour les experts). (2) le nombre important des opérations et des paramètres utilisés dans les approches neuronales pour la segmentation des vidéos sous-marines. Pour combler ces deux limites, le présent sujet de thèse vise à proposer des architectures neuronales compressées capables d’apprendre à partir d’un très faible volume de vidéos et d’offrir des performances de segmentation élevées.

Concernant la première limite, la piste de l’apprentissage frugal (Few-Shot Learning) [4, 5] sera étudiée. Il s’agit d’une approche apte à apprendre à partir d’un nombre limité de données d’apprentissage étiquetées. Cela est atteint en se basant sur l’accumulation de différentes connaissances préalables extraites à partir d’autres bases de données (appelée donnée de base) plus grandes. Cette étape fait référence à l’apprentissage de représentation. Finalement, le nombre réduit des données d’apprentissage (appelées support) est utilisé pour construire la fonction de décision.

Quant à la deuxième limite, la distillation de connaissances (Knowledge Distillation) [6, 7] pourrait être une approche prometteuse. Le principe de cette approche consiste à transmettre les connaissances d’un grand réseau de neurones qui donne de bonnes performances sur une tâche spécifique, dit enseignant, vers un autre réseau réduit, dit étudiant. L’objectif est que le réseau étudiant imite l’apprentissage du réseau enseignant. Autrement dit, l’apprentissage du réseau étudiant est supervisé par le réseau enseignant. Ainsi, il est possible d’aboutir à un réseau de neurones performant en segmentation sémantique avec une taille réduite, facilement embarquable dans les drones autonomes sous-marins grâce à sa rapidité d’inférence et sa consommation énergétique réduite. La méthode mise en oeuvre pourra ainsi être utilisée pour segmenter, en temps réel et précisément, les fonds marins en fonction des substrats présents. Enfin, des données dynamiques 3D, de type nuage de points, pourront être utilisées afin de renforcer la segmentation sémantique et produire des relevés encore plus précis pour créer une cartographie des fonds marins.

*** Références :
[1] Islam, M. J., Edge, C., Xiao, Y., Luo, P., Mehtaz, M., Morse, C., & Sattar, J. “Semantic segmentation of underwater imagery : Dataset and benchmark”, IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2020.
[2] Chicchon, M., & Bedon, H. “Semantic Segmentation of Underwater Environments Using DeepLabv3+ and Transfer Learning”, Smart Trends in Computing and Communications (pp. 301-309). Springer, Singapore, 2022.
[3] T. Zhou, F. Porikli, D. J. Crandall, L. V. Gool and W. Wang, “A Survey on Deep Learning Technique for Video Segmentation”, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2022.
[4] Snell, J., Swersky, K., & Zemel, R. “Prototypical networks for few-shot learning”, Advances in neural information processing systems, 30, 2017.
[5] Wang, K., Liew, J. H., Zou, Y., Zhou, D., & Feng, J. “Panet : Few-shot image semantic segmentation with prototype alignment”, Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 9197-9206), 2019.
[6] Liu, Y., Shu, C., Wang, J., & Shen, C. “Structured knowledge distillation for dense prediction”, IEEE transactions on pattern analysis and machine intelligence, 2020.
[7] Karine, A., Napoléon, T., Jridi, M., “Semantic Images Segmentation for autonomous driving using Self-Attention Knowledge Distillation”, 16th IEEE International Conference

Profil du candidat :
• Expérience en intelligence artificielle et vision par ordinateur
• Des connaissances en apprentissage profond appliqué à la vision par ordinateur.
• Intérêt pour la vision sous-marine

Formation et compétences requises :
Dans l’idéal, le candidat doit avoir :
• suivi un cursus de Master ou d’Ingénieur dans un des domaines suivants : intelligence artificielle, vision par ordinateur, science des données, mathématiques appliquées ;
• de solides compétences en algorithmique et en programmation : Python, PyTorch, Tensoflow, Keras… ;

Adresse d’emploi :
20 Rue Cuirassé Bretagne, 29200 Brest

Document attaché : 202305041329_TheseVisionSousMarine_LabISEN-Thales.pdf

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

Laboratoire/Entreprise : Laboratoire Informatique, Image et Interaction (L3
Durée : 3 ans
Contact : sylvain.marchand@univ-lr.fr
Date limite de publication : 2023-07-30

Contexte :
La Rochelle Université va se doter d’une plate-forme dont l’objectif à terme est de devenir un voilier autonome, capable de sentir son environnement avec des capteurs et de prendre les bonnes décisions.

Sujet :
Lors de la navigation, il est fondamental de pouvoir estimer voire anticiper l’état de la mer, la direction et la période de la houle, les vagues plus importantes, ainsi que les brusques variations de vent (risées) qui peuvent être observées à la surface de la mer. C’est en général le rôle d’un équipier, appelé « numéro 1 ». Dans le cadre de la navigation en solitaire, on ne peut plus s’appuyer sur cet équipier. Or ces informations sont essentielles pour pouvoir anticiper et gagner en performance ou en sécurité, et pourraient être prises en compte par des centrales de navigation (« pilotes automatiques ») de nouvelle génération (dotées d’intelligence artificielle). Une autre application est l’observation des vagues sur le littoral, pour mesurer voire anticiper l’érosion des côtes par exemple. Là aussi, cela se fait actuellement via l’observation humaine principalement. C’est un cas plus simple car la caméra est fixe (ce qui est rarement le cas sur un voilier…). Nous proposons de concevoir une méthode pour estimer automatiquement ces informations (état de la mer, houle voire variations de vent), à l’aide de séquences d’images (type vidéo) possiblement issues d’un unique capteur (cas monoculaire, mais peut-être avec une vision à 360 degrés), avec des contraintes de sobriété énergétique. Une première piste est la conception d’une nouvelle transformée mathématique, combinaison de deux transformées existantes (Fourier et Hough), approche introduite dans le domaine du son pour estimer la direction et la période entre des fronts d’onde. Il faudra également étendre cette transformée à la dimension temporelle (pour les séquences d’images). Il faudra faire l’acquisition de données, concevoir la ou les méthode(s) d’estimation ainsi que le dispositif matériel final (« capteur intelligent »).

Profil du candidat :
Master Informatique ou équivalent.

Formation et compétences requises :
Master Informatique,
analyse d’images / vidéos, traitement du signal et des images,
des connaissances en navigation à la voile étant un plus.

Adresse d’emploi :
Laboratoire Informatique, Image et Interaction (L3i), La Rochelle Université.

Document attaché : 202305040957_Sujet_MARCHAND.pdf