Stage de m2: voir et identifier les pollens autrement grâce au focus stacking intelligent et au deep learning

Contexte et atouts du poste

Durée : 6 mois

Rémunération : gratification de stage

Période possible pour le stage : entre début février 2026 et fin octobre 2026

Localisation principale du stage : campus Saint-Priest de Montpellier dans, Chargé de Recherche à

1., Maître de conférence à l’

Contexte et motivation : L’identification automatique des pollens permet l’étude rapide et efficace de la biodiversité et la reconstitution des paléoenvironnements. En s’appuyant sur des réseaux de neurones convolutifs (CNN), Gimenez et al. ont proposé un pipeline robuste de détection et de classification des pollens de dizaines d’espèces Méditerranéennes à partir d’images acquises automatiquement au microscope. Pour éviter d’acquérir des images floues des pollens en utilisant un seul cliché à une mises au point donnée (Fig. 1.A), les auteurs ont utilisé le focus stacking, une méthode d’empilement de plusieurs plan de mises au point. Le focus stacking sélectionne et fusionne pixel par pixel les zones les plus nettes de plusieurs plans de mise au point afin de produire une unique image sans zones floues. Cette méthode est courante et rapide, mais elle limite la performance des intelligences artificielles (IA) de classification, notamment pour des espèces courantes (e.g. Quercus dans Gimenez, 2024). En effet, la semi-transparence des pollens laisse apparaître leur face arrière dans les plans (Fig. 1.A), face qui est alors fusionnée avec la face avant, générant des artéfacts : contours doublés, flous, etc... (Fig. 1.B). Le stage propose de résoudre ce problème en utilisant une méthode de focus stacking plus sophistiquée, qui doit éviter la production de ces artéfacts (Fig. 1.C).

Figure 1 : Images au microscope d’un pollen. L’image (C) a été faite en «semi-manuelle».

Objectifs du stage : Le stage vise à faire progresser les sciences de la vision par ordinateur pour l’étude des pollens, dont la compréhension morphologique au travers des sciences biologiques est indispensable à la bonne configuration des algorithmes. Plus concrètement, il s’agit de modifier le pipeline de Gimenez et al. pour y tester plusieurs stratégies de contraintes de cohérence à l’étape du focus stacking (Zafar et al., 2020), puis d’en évaluer leurs performances lors de la détection/classification par IA. Les stratégies testées pour limiter les artéfacts liés à la fusion de la face avant et arrière du pollen lors du focus stacking seront par exemple : la détection des inversions de gradients d’intensités pour différencier l’avant et l’arrière ; la pénalisation des fusions de pixels voisins issus de plans trop distants. Ces stratégies devraient produire des images de pollens à la morphologie plus justes et améliorer grandement la détection/classification des pollens par IA (Fig. 1.C).

Références :

2. Gimenez, B., Joannin, S., Pasquet, J., [...] Devaux, C* & Peyron, O*.. A user‐friendly method to get automated pollen analysis from environmental samples. New Phytologist, 243, 797-810. Gimenez, B.. Studying variations in pollen signals from the Mediterranean vegetation and its key taxa: contribution of automated pollen analysis. (Thesis, Université de Montpellier). Zafar, R., Farid, M. S., & Khan, M. H.. Multi-focus image fusion: algorithms, evaluation, and a library. Journal of Imaging, 6, 60.

Mission confiée

Plan de travail :

1. Reproduire le pipeline de Gimenez et al. pour l’utiliser comme référence - 1 mois 2. Implémenter différentes stratégies de contraintes de cohérence à ce pipeline de référence - 3.5 mois 3. Mesurer l’impact de ces stratégies la détection et la classification automatique des pollens - 1.5 mois

Compétences

Compétences obligatoires :

3. maitrise de Linux
4. bonne maitrise de Python
5. solides bases en deep learning (PyTorch, TensorFlow ou équivalant)
6. bonne connaissance de la computer vision et des approches de segmentation d’images
7. maitrise de l’anglais pour la rédaction et la lecture d’articles scientifiques

Les plus :

8. connaissance en botanique ou en palynologie
9. intérêt marqué pour l’interdisciplinarité
10. notions en analyse morphologique
11. exécution de scripts sur serveurs distants
12. utilisation du terminal sous Linux

Avantages

13. Restauration subventionnée
14. Transports publics remboursés partiellement
15. Congés: 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
16. Possibilité de télétravail (après 6 mois d'ancienneté) et aménagement du temps de travail
17. Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
18. Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d'Inria)
19. Accès à la formation professionnelle
20. Sécurité sociale

Rémunération

Gratification selon temps de présence / Traineeship grant depending on attendance hours