Stage de recherche : Adaptation cross-domaine pour la segmentation par instance
L’entreprise
Pellenc ST conçoit et fabrique des machines de tri intelligent, destinées à l'industrie du recyclage. Engagés dans un monde en pleine évolution, nos ambitions se tournent aujourd'hui vers les nouvelles technologies telles que l'intelligence artificielle ou encore l'industrie 4.0 et les machines connectées.
Fort de plus de 3000 machines à travers le monde dans plus de 40 pays, nous œuvrons et contribuons chaque jour, à la valorisation de nos déchets ainsi qu'à un environnement plus sain et durable pour demain.
Entreprise en pleine expansion, nous recherchons un(e) : Stagiaire ingénieur de recherche/ Intelligence artificielle – Vision par ordinateur (H/F). Poste basé à Pertuis (84).
Sujet du stage
Ce stage s’inscrit dans une démarche de recherche exploratoire avec pour objectif la rédaction et la soumission d’un article à une conférence reconnue du domaine de la vision par ordinateur. Le sujet portera sur l’adaptation cross-domaine pour la segmentation par instance : comment transférer efficacement un modèle entraîné sur un domaine source (conditions d’acquisition, capteurs donnés) vers un ou plusieurs domaines cibles différents, en limitant à la fois le coût de ré-annotation et le coût de réentraînement.
Missions principales
• Étudier l’état de l’art de l’adaptation de domaine.
• Formuler une ou plusieurs approches d’adaptation de domaine pour la segmentation par instance.
• Implémenter les approches proposées et les évaluer sur des modèles existants et des jeux de données publics couvrant plusieurs domaines.
• Proposer un protocole expérimental rigoureux et mener une étude comparative avec les approches existantes.
• Rédiger les résultats sous forme d’article scientifique avec l’équipe en vue d’une soumission à une conférence de recherche, en collaboration avec l’équipe d’encadrement.
Profil recherché
• Étudiant(e) en Master 2 ou école d’ingénieurs, spécialisation en IA, mathématiques appliquées, vision par ordinateur, avec un fort attrait pour la recherche.
• Bonnes bases théoriques en apprentissage automatique et idéalement en adaptation de domaine.
• Compétences solides en PyTorch et connaissance des architectures de segmentation et/ou détection d’objets.
• Bonne maîtrise de Python et des frameworks associés (Torchvision, MMDetection, etc.).
• Autonomie, rigueur scientifique et goût pour la rédaction et la valorisation de travaux de recherche.
Informations pratiques
• Durée : 5 à 6 mois
• Lieu : Pertuis (84), siège de PELLENC ST.
• Encadrement : Chercheur
• Gratification : selon profil et conventions en vigueur.
• Objectif de valorisation : accompagnement à la rédaction et à la soumission d’un article dans une conférence.
• Perspectives : possibilité de poursuivre sur une thèse CIFRE en lien direct avec les travaux réalisés.
[1] P. Oza, V. A. Sindagi, V. VS, and V. M. Patel, “Unsupervised Domain Adaptation of Object Detectors: A Survey,” IEEE TPAMI, 46(6), 4018–4040, 2024.
[2] M. H. Tanveer, Z. Fatima, S. Zardari, and D. Guerra-Zubiaga, “An In-Depth Analysis of Domain Adaptation in Computer and Robotic Vision,” Applied Sciences, vol. 13, no. 23, 12823, 2023. DOI: 10.3390/app132312823.
