Vous êtes ici : Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

12 octobre 2022

Annonce de stage : Mise en œuvre d'un modèle de détection d'objets en temps réel intégrant les connaissances antérieures


Catégorie : Stagiaire


 

Titre :Mise en œuvre d'un modèle de détection d'objets en temps réel intégrant les connaissances antérieures

Domaines scientifiques : robotique industrielle, informatique, traitement des données,

Mots clés :Fusion des données, Deep learning, détection d’objet,

Encadrement

Projet de stage

Le secteur industriel est l'un des nombreux domaines dans lesquels l'automatisation de plusieurs tâches est possible grâce à la vision par ordinateur. Cependant, quelle que soit la tâche, par exemple la maintenance ou la manipulation par des robots mobiles, un système de détection précis est nécessaire. La détection d'objets consiste à localiser les différents objets dans une image (via une boîte englobante) et à associer une catégorie à chacun de ces objets. Cette tâche peut être une classification à l'échelle d'une image entière, et une segmentation à l'échelle d'un pixel. Les nombreux défis proposés au fil des années, consistant à résoudre l'une ou l'autre de ces tâches sur une base de données spécifique, ont permis de grandes avancées dans les méthodes de traitement d'images. Parmi ces méthodes, les réseaux de neurones convolutifs (CNN) ont montré une capacité supérieure à résoudre ces tâches, notamment avec l'amélioration continue des capacités de calcul des ordinateurs et la disponibilité de bases de données à grande échelle. Ces bases de données, qui comprennent des images et leurs annotations associées, permettent d'analyser le contenu des images avec différents niveaux de précision. [1]

Malgré toutes ces avancées, la détection d'objets dans un environnement industriel reste une tâche difficile, notamment en raison du manque d'images réelles ou de bases de données pour l'entraînement, et de la contrainte de temps réel requise pour l'algorithme, qui est généralement embarqué dans un dispositif mobile.

Ces dernières années, plusieurs chercheurs se sont intéressés à proposer des détecteurs d'objets légers pour les appareils mobiles, tels que PP-PicoDet [2], MobileNet SSD et Yolo [1]. Certains de ces modèles ont des performances intéressantes qui leur permettent d'être utilisés dans des applications industrielles nécessitant une réponse en temps réel[3], mais il est encore possible d'optimiser leur fonctionnement pour les rendre plus légers . La plupart de ces modèles traitent l'image entière pour extraire les régions d'intérêt et ensuite déterminer les détections. Cependant, ils ne prennent pas en compte les connaissances préalables pour optimiser et réduire le temps d'exécution du modèle de détection. En effet, l'utilisation de ces connaissances peut permettre de ne traiter que certaines parties de l'image d'entrée, et de s'appuyer sur les détections précédentes pour réduire le nombre de régions à examiner. Par conséquent, l'objectif de ce stage sera de proposer un détecteur d'objets temps réel qui prend en compte les connaissances antérieures.

Le présent travail consiste en trois tâches principales : Tout d'abord, comparer les différents modèles de détection d'objets existants pour les appareils mobiles et identifier le modèle à exploiter, ensuite, modifier la conception de ce modèle pour y intégrer les connaissances antérieures, et enfin, développer et tester ce modèle.

Contexte

Présentation du laboratoire

LINEACT CESI (EA 7527), Laboratoire d'Innovation Numérique pour les Entreprises et les Apprentissages au service de la Compétitivité des Territoires, anticipe et accompagne les mutations technologiques des secteurs et des services liés à l’industrie et au BTP. La proximité historique de CESI avec les entreprises est un élément déterminant pour nos activités de recherche, et a conduit à concentrer les efforts sur une recherche appliquée proche de l’entreprise et en partenariat avec elles. Une approche centrée sur l’humain et couplée à l’utilisation des technologies, ainsi que le maillage territorial et les liens avec la formation, ont permis de construire une recherche transversale ; elle met l’humain, ses besoins et ses usages, au centre de ses problématiques et aborde l’angle technologique au travers de ces apports.

Sa recherche est organisée selon deux thèmes scientifiques interdisciplinaires et deux domaines applicatifs.

Ces deux thèmes développent et croisent leurs recherches dans les deux domaines applicatifs de l'Industrie du Futur et de la Ville du Futur, soutenues par des plateformes de recherche, principalement celle de Rouen dédiée à l’Usine du Futur et celles de Nanterre dédiée à l’Usine et au Bâtiment du Futur.

Organisation de la thèse/stage

Votre Recrutement

Ses Modalités: sur dossier et entretien.

Merci d’adresser votre candidature à Hiba AL ASSAAD (halassaad@cesi.fr) et Madeleine EL ZAHER (melzaher@cesi.fr) avec pour objet de mail :

«Internship application: Object detection»

 

Votre candidature devra comporter :

Merci de transmettre l’ensemble des documents au sein d’un fichier zip intitulé NOM prénom.zip.

Vos compétences

Compétences scientifiques et techniques :

Compétences relationnelles :

Références

[1] Cohen, Julia, et al. "MobileNet SSD: étude d'un détecteur d'objets embarquable entraîné sans images réelles." ORASIS 2021. 2021.

[2] Yu, Guanghua, et al. "PP-PicoDet: A Better Real-Time Object Detector on Mobile Devices." arXiv preprint arXiv:2111.00902 (2021).

[3] Arani, Elahe, et al. "A Comprehensive Study of Real-Time Object Detection Networks Across Multiple Domains: A Survey." arXiv preprint arXiv:2208.10895 (2022). https://openreview.net/pdf?id=ywr5sWqQt4

 



Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2022.