Recherche et indexation d’images par le contenu en utilisant des caractéristiques auto-supervisées

Quel sera votre environnement ?
Vous êtes passionné(e) par l’intelligence artificielle, la vision par ordinateur et les défis technologiques de demain ? Notre équipe travaille sur des problématiques de vision par ordinateur parmi les plus innovantes du domaine pour résoudre des problématiques industrielles concrètes. Nous combinons expertise scientifique, créativité et esprit collaboratif pour repousser les limites de ce que les machines peuvent voir et comprendre. En nous rejoignant, vous contribuerez à des projets ambitieux, en lien direct avec la recherche de pointe et des applications concrètes à fort impact.


Quelle sera votre mission ?
1. État de l’art et exploration bibliographique : Comprendre les bases théoriques et les travaux récents.
• Étudier les méthodes classiques de recherche d’images (CBIR).
• Explorer les approches modernes utilisant des représentations auto-supervisées
• Comparer les avantages/inconvénients des méthodes auto-supervisées vs. supervisées dans des tâches de retrieval.
2. Mise en place de l’environnement expérimental : Préparer les outils nécessaires à l’expérimentation.
• Sélection des datasets adaptés (e.g. ImageNet, COCO).
• Mise en place d’un pipeline d’entraînement / évaluation.
• Intégration d’un ou plusieurs modèles self-supervised préentraînés (via PyTorch, torchvision, HuggingFace, etc.).
• Implémentation des métriques de retrieval
3. Évaluation et analyse des représentations : Mesurer la qualité des features extraites par les modèles auto-supervisés.
• Extraire des embeddings pour les images d’un dataset de test.
• Comparer différentes embbeding dans un context de retrieval
• Visualiser l’espace des embeddings (t-SNE, UMAP) pour détecter les clusters sémantiques.

4. Application du meilleur embedding pour résoudre un problème industriel : Comptage d’objets similaires présents dans une image statique.
• Mise en place de différentes stratégies d’extraction d’objets par ROI.
• Implémenter une métrique de similarité robuste pour identifier les objets identiques.
• Quantifier la précision/robustesse/performance de la solution.
5. Synthèse des résultats et rédaction : Valoriser les travaux réalisés.
• Présentation claire des contributions : choix méthodologiques, résultats obtenus, limitations.
• Rédaction d’un rapport scientifique ou d’un article (type workshop/conférence).
• Préparation d’une soutenance (slides, démo éventuelle).

Quel profil ?
Étudiant(e) en dernière année d’école d’ingénieur, master 2 en informatique, intelligence artificielle, mathématiques appliquées ou vision par ordinateur.

> Les indispensables
Vision par ordinateur : Bonnes connaissances des fondamentaux en traitement d’image et en extraction de caractéristique
Apprentissage automatique / Deep Learning : Maîtrise des architectures CNN (ResNet, EfficientNet) et une connaissance des méthodes d’apprentissage auto-supervisé
Programmation & outils : Très bonne maîtrise de Python et des librairies de deep learning : PyTorch (obligatoire), torchvision, scikit-learn.
> Les plus
Capacité à lire et comprendre des articles de recherche récents.
Capacité à travailler en autonomie tout en collaborant efficacement avec une équipe.

Quelles modalités ?
Possibilité de télétravail après une période d’intégration
Gratification : € (si niveau M2 ou 5ème année) + tickets restaurants + remboursement frais de transport
Salle de sport et cours coachés

Les prochaines étapes ?
2 entretiens :
# 1 entretien en visio avec l’encadrant
# 1 entretien final sur site avec l’encadrant