Stage - Evaluation robuste des performances d'un algorithme de détection d'objets par IA F/H

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 biaisé. Pour ce stage, nous nous intéressons à ce deuxième point.

Lors de l'acquisition d'images pour évaluer nos algorithmes, des biais sont forcément présents (conditions particulières lors de l'acquisition, objets d'intérêt présents avec une faible variabilité, réglages spécifiques de l'imageur...). Notre objectif est de trouver des méthodes qui permettent d'adapter les images ou les métriques utilisées pour obtenir une évaluation la plus représentative possible de la distribution sous-jacente non biaisée.

Le-la stagiaire travaillera dans le pôle traitement d'images de l'Unité des Auto-Directeurs de Safran Electronics & Defense sous la direction d'un Data Scientist.
- Vous ferez un état de l'art afin d'identifier les axes les plus prometteurs.
- Vous créerez des jeux de données sciemment biaisés à partir de jeux de données publics qui serviront de base à ses expérimentations.
- Vous évaluerez les écarts de performances mesurés entre les jeux de données biaisés et le jeu de données complet.
- Vous mettrez en place différentes méthodes d'évaluations (analyses statistiques, augmentations de données, sélection à priori d'images plus pertinentes...) permettant de réduire cet écart.

En comprenant mieux les biais présents dans des jeux de données d'évaluation, leurs impacts sur les performances mesurées et comment les compenser du mieux possible, ce stage permettra d'établir des protocoles d'évaluation plus robustes dans des contextes industriels où les données de test sont limitées et les erreurs lors du déploiement couteuses.

Elève ingénieur-e d'une école à dominante Machine Learning / Traitement d'image.
Bon contact humain, curiosité, esprit de synthèse, capacité à analyser et expliquer, rigueur expérimentale, Intérêt fort pour la recherche et le développement de nouvelles méthodes.
Le contexte technique de ce stage est le suivant : Mathématiques appliquées, Apprentissage automatique et vision par ordinateur par CNN, Traitement d'images, Programmation Python/PyTorch, Système d'exploitation Linux.