Dans le domaine de la détection d'objets les méthodes basées sur l'intelligence artificielle se sont imposées de par leurs performances élevées. Cependant, l'une de leurs principales contraintes est la disponibilité limitée de données annotées de haute qualité. Cette frugalité en données a deux impacts : la difficulté à entrainer le réseau de façon suffisamment générale sans sur-apprentissage et le risque de mal évaluer les performances du réseau à cause d'un jeu de données de test trop restreint. Pour ce stage, nous nous intéressons à ce deuxième point.

Notre objectif est de trouver des méthodes qui permettent d'une part d'évaluer la robustesse d'un réseau face à des perturbations, d'autre part de mettre en relation et de rendre compréhensible les éléments pris en compte par le système d'IA pour la production d'un résultat.

Vous travaillerez dans le pôle traitement d'images de l'Unité des Auto-Directeurs de Safran Electronics & Defense sous la direction d'un Data Scientist, avec des acteurs du programme de recherche Confiance.ai.
1. Vous ferez un état de l'art afin d'identifier les méthodes les plus prometteuses.
2. Vous appliquerez les méthodes retenues et analyserez leurs capacités.
3. Vous formulerez des axes d'améliorations pour chacune des méthodes.

En développant des outils permettant de mieux comprendre le fonctionnement d'un réseau, ce stage facilitera l'adoption et la certification du Deep Learning dans des systèmes autonomes, notamment dans les contextes industriels où les données de test sont limitées.

Elève ingénieur-e d'une école à dominante Machine Learning / Traitement d'image.
Vous possédez naturellement de la curiosité, de l'esprit de synthèse, une capacité à analyser et à expliquer.
Vous avez également un rigueur expérimentale et un intérêt fort pour la recherche et le développement de nouvelles méthodes.

Techniquement vous possédez des compétences en mathématiques appliquées, apprentissage automatique et vision par ordinateur par CNN, ainsi qu'en traitement d'images, programmation Python/PyTorch et en système d'exploitation Linux.