Stage Segmentation géométriquement informée d'objets faiblement définis en imagerie 3D (F/H) Clermont-Fd
- - - - - - - - - - - -
Date de début : à compter de février 2027
Lieu de travail : R&D Michelin site de Ladoux
Contexte
L'entité PM/SIM de la Recherche et Développement Michelin développe des méthodes de traitement d'image et de vision par ordinateur pour l'analyse de données scientifiques et industrielles issues notamment de la microscopie et de la tomographie.
Dans certaines acquisitions 3D, les objets d'intérêt - particules, pores, inclusions ou défauts - présentent des contours incomplets, peu contrastés ou localement ambigus. Si les objets les plus visibles peuvent déjà être segmentés de manière satisfaisante, deux verrous importants demeurent : la détection d'objets faiblement définis et la séparation d'objets faussement connexes.
Ces situations renvoient à un problème classique du traitement d'image : segmenter des régions dont l'information n'est pas directement portée par un signal local explicite (contour continu, gradient fort, texture cohérente...), mais par une cohérence globale de forme, de continuité et d'interprétation perceptive.
Mission
Le stage vise à explorer des approches de segmentation capables d'exploiter des a priori géométriques pour traiter ces cas limites, inspirées des modèles de Deep Learning informés par des connaissances a priori, en particulier les PINNs, ou Physically Informed Neural Networks, et les approches géométriquement informées, parfois désignées comme GINNs, ou Geometrically Informed Neural Networks, dans lesquels des connaissances a priori sont introduites pour guider l'apprentissage ou la prédiction.
L'enjeu n'est pas d'injecter en particulier des lois physiques, mais plus largement des contraintes géométriques et perceptives utiles à la segmentation : cohérence de contour, compacité, convexité locale, régularité de surface, séparation plausible d'instances, continuité 3D entre coupes successives, ou encore cohérence entre contour implicite et volume segmenté.
L'objectif est de produire une étude expérimentale permettant d'identifier quelles formes d'information géométrique sont utiles, dans quelles conditions, et avec quelles limites, pour améliorer la segmentation d'objets faiblement définis en imagerie 3D. On s'intéressera également aux mécanismes existants pour l'intégration de ces informations de guidage. Un point d'attention concernera la manière d'intégrer ces informations dans les modèles (aux différentes étapes du cycle de vie d'un modèle de segmentation, depuis la constitution de la base de cas, le processus d'apprentissage, la phase d'exploitations du modèle et le post-traitement), en particulier lorsque cela implique de formuler des critères ou fonctions de coût différentiables.
Programme de travail
Le travail commencera par une étude bibliographique ciblée sur la gestion des contours incomplets en segmentation sémantique/d'instances, les approches informées par des connaissances a priori, les représentations géométriques pour la segmentation et les fonctions de coût associées. On pourra s'intéresser en particulier aux modes de représentation de l'information image (cartes de distance, champs de vecteurs, surfaces implicites...) pour évaluer leur pertinence par rapport au problème à résoudre.
Une base et un plan de tests devront ensuite être mise en place dans l'optique d'étudier et évaluer les hypothèses issues de l'étude bibliographique, à partir de données internes éventuellement complétées par des données publiques ou synthétiques. Elle devra représenter différents niveaux de difficulté : contours partiels, faibles gradients, objets proches ou faussement connexes, bruit, flou, variations de contraste, de résolution et d'artefacts.
Plusieurs stratégies seront implémentées et comparées dans une chaîne expérimentale reproductible en Python,
avec PyTorch et les bibliothèques usuelles d'imagerie scientifique, en surcouche de nos composants internes.
L'étude pourra porter sur différentes représentations de sortie, architectures, fonctions de coût, données synthétiques, stratégies d'entraînement ou post-traitements, selon les hypothèses retenues.
L'évaluation considérera la qualité de segmentation, la séparation d'instances, la fidélité géométrique, la robustesse hors distribution, le coût de calcul et la facilité d'intégration dans les outils existants.
Livrables
Les livrables attendus sont :
• une synthèse bibliographique ;
• une base de tests documentée ;
• les implémentations Python/PyTorch nécessaires aux expériences ;
• un benchmark reproductible des approches étudiées ;
• une analyse quantitative et qualitative des résultats ;
• un rapport final présentant les conclusions, les limites observées et les recommandations.
Selon le rythme d'avancement et les conclusions de ces phases d'étude, la méthode la plus prometteuse pourra faire l'objet d'une intégration et être testée dans une bibliothèque interne.
Compétences requises et profil recherché
Le stage s'adresse à un étudiant de Master avec un intérêt marqué pour le traitement d'image, l'apprentissage profond et la recherche appliquée.
Une bonne pratique de Python est attendue. Des connaissances en PyTorch, segmentation d'image, imagerie scientifique, géométrie discrète, optimisation ou apprentissage profond seront appréciées. Le sujet demande autonomie, rigueur expérimentale, curiosité scientifique et esprit critique.
Le ou la stagiaire sera encadré.e par des ingénieurs et chercheurs de l'entité PM/SIM et de leurs partenaires académiques, en lien avec d'autres équipes de la R&D Michelin.
Processus de recrutement en 2 étapes :
Délais de traitement rapides et processus complet en moins de 30 jours selon vos disponibilités.
En poste, votre tuteur/tutrice vous accompagnera tout au long de votre stage afin de développer votre savoir-faire et savoir-être. Votre tuteur/tutrice vous proposera, si besoin, des formations complémentaires en adéquation avec vos missions.
Vous percevrez une gratification de stage mensuelle en fonction de votre niveau d'études.
Vous êtes intéressé(e) par cette opportunité, alors c'est le moment de postuler !
- - - - - - - - - - - -
- - - - - - - - - - - -
- Type de contrat : stage conventionné de 6 mois maximum
- Niveau d'études : BAC+5 dans le domaine (...)
Date de début : à compter de février 2027
Lieu de travail : R&D Michelin site de Ladoux
Contexte
L'entité PM/SIM de la Recherche et Développement Michelin développe des méthodes de traitement d'image et de vision par ordinateur pour l'analyse de données scientifiques et industrielles issues notamment de la microscopie et de la tomographie.
Dans certaines acquisitions 3D, les objets d'intérêt - particules, pores, inclusions ou défauts - présentent des contours incomplets, peu contrastés ou localement ambigus. Si les objets les plus visibles peuvent déjà être segmentés de manière satisfaisante, deux verrous importants demeurent : la détection d'objets faiblement définis et la séparation d'objets faussement connexes.
Ces situations renvoient à un problème classique du traitement d'image : segmenter des régions dont l'information n'est pas directement portée par un signal local explicite (contour continu, gradient fort, texture cohérente...), mais par une cohérence globale de forme, de continuité et d'interprétation perceptive.
Mission
Le stage vise à explorer des approches de segmentation capables d'exploiter des a priori géométriques pour traiter ces cas limites, inspirées des modèles de Deep Learning informés par des connaissances a priori, en particulier les PINNs, ou Physically Informed Neural Networks, et les approches géométriquement informées, parfois désignées comme GINNs, ou Geometrically Informed Neural Networks, dans lesquels des connaissances a priori sont introduites pour guider l'apprentissage ou la prédiction.
L'enjeu n'est pas d'injecter en particulier des lois physiques, mais plus largement des contraintes géométriques et perceptives utiles à la segmentation : cohérence de contour, compacité, convexité locale, régularité de surface, séparation plausible d'instances, continuité 3D entre coupes successives, ou encore cohérence entre contour implicite et volume segmenté.
L'objectif est de produire une étude expérimentale permettant d'identifier quelles formes d'information géométrique sont utiles, dans quelles conditions, et avec quelles limites, pour améliorer la segmentation d'objets faiblement définis en imagerie 3D. On s'intéressera également aux mécanismes existants pour l'intégration de ces informations de guidage. Un point d'attention concernera la manière d'intégrer ces informations dans les modèles (aux différentes étapes du cycle de vie d'un modèle de segmentation, depuis la constitution de la base de cas, le processus d'apprentissage, la phase d'exploitations du modèle et le post-traitement), en particulier lorsque cela implique de formuler des critères ou fonctions de coût différentiables.
Programme de travail
Le travail commencera par une étude bibliographique ciblée sur la gestion des contours incomplets en segmentation sémantique/d'instances, les approches informées par des connaissances a priori, les représentations géométriques pour la segmentation et les fonctions de coût associées. On pourra s'intéresser en particulier aux modes de représentation de l'information image (cartes de distance, champs de vecteurs, surfaces implicites...) pour évaluer leur pertinence par rapport au problème à résoudre.
Une base et un plan de tests devront ensuite être mise en place dans l'optique d'étudier et évaluer les hypothèses issues de l'étude bibliographique, à partir de données internes éventuellement complétées par des données publiques ou synthétiques. Elle devra représenter différents niveaux de difficulté : contours partiels, faibles gradients, objets proches ou faussement connexes, bruit, flou, variations de contraste, de résolution et d'artefacts.
Plusieurs stratégies seront implémentées et comparées dans une chaîne expérimentale reproductible en Python,
avec PyTorch et les bibliothèques usuelles d'imagerie scientifique, en surcouche de nos composants internes.
L'étude pourra porter sur différentes représentations de sortie, architectures, fonctions de coût, données synthétiques, stratégies d'entraînement ou post-traitements, selon les hypothèses retenues.
L'évaluation considérera la qualité de segmentation, la séparation d'instances, la fidélité géométrique, la robustesse hors distribution, le coût de calcul et la facilité d'intégration dans les outils existants.
Livrables
Les livrables attendus sont :
• une synthèse bibliographique ;
• une base de tests documentée ;
• les implémentations Python/PyTorch nécessaires aux expériences ;
• un benchmark reproductible des approches étudiées ;
• une analyse quantitative et qualitative des résultats ;
• un rapport final présentant les conclusions, les limites observées et les recommandations.
Selon le rythme d'avancement et les conclusions de ces phases d'étude, la méthode la plus prometteuse pourra faire l'objet d'une intégration et être testée dans une bibliothèque interne.
Compétences requises et profil recherché
Le stage s'adresse à un étudiant de Master avec un intérêt marqué pour le traitement d'image, l'apprentissage profond et la recherche appliquée.
Une bonne pratique de Python est attendue. Des connaissances en PyTorch, segmentation d'image, imagerie scientifique, géométrie discrète, optimisation ou apprentissage profond seront appréciées. Le sujet demande autonomie, rigueur expérimentale, curiosité scientifique et esprit critique.
Le ou la stagiaire sera encadré.e par des ingénieurs et chercheurs de l'entité PM/SIM et de leurs partenaires académiques, en lien avec d'autres équipes de la R&D Michelin.
Processus de recrutement en 2 étapes :
- Premier entretien en visioconférence (45 min) pour l'entretien technique sur les compétences techniques
- Deuxième entretien, si premier entretien positif, avec le service du personnel (RH)
Délais de traitement rapides et processus complet en moins de 30 jours selon vos disponibilités.
En poste, votre tuteur/tutrice vous accompagnera tout au long de votre stage afin de développer votre savoir-faire et savoir-être. Votre tuteur/tutrice vous proposera, si besoin, des formations complémentaires en adéquation avec vos missions.
Vous percevrez une gratification de stage mensuelle en fonction de votre niveau d'études.
Vous êtes intéressé(e) par cette opportunité, alors c'est le moment de postuler !
- - - - - - - - - - - -
