Stage de m2 sur l'amélioration de la segmentation les nervures de feuilles en simulent les contraintes biologiques

Contexte et atouts du poste

Durée : 6 mois

Rémunération : gratification d’environ 640€ par mois (dépend du nombre de jours travaillés par mois)

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

Localisation du stage : campus Saint-Priest de Montpellier dans l’équipe Iroko

Encadrants :

1. Benjamin Bourel, chercheur en Deep Learning et en écologie à l’Inria dans l’équipe Iroko
2. Jérôme Munzinger, chercheur en botanique et paléobotanique à l’UMR AMAP dans l’équipe SYSTE

Contexte et motivations : L’organisation des nervures dans la feuille joue un rôle fondamental pour les
plantes en influençant le transport de l’eau et des nutriments. Leur organisation est également un
marqueur morphologique essentiel pour l’identification taxonomique et l’étude des stratégies
écologiques des plantes (Boyce et al. 2009). La segmentation automatique de ces nervures est donc un
enjeu majeur. Bien que la segmentation automatisée par deep learning a permis des progrès vis-à-vis
des méthodes de classiques (e.g. seuillage), cette dernière reste difficile à mettre en place (Xu et al.
2021). En effet, l’annotation manuelle pixel par pixel des nervures sur les données d’entrainements
demande beaucoup de temps et une forte expertise. Des avancées notables ont été réalisées avec le
few-shot learning via l’approche de Lagergren et al.. Cette approche a permis de segmenter
efficacement les nervures de milliers de feuilles de Populus trichocarpa à partir de seulement huit
feuilles annotées. Le pipeline de Lagergren et al. est basé sur la croissance de régions
avec un Convolutional Neural Network (CNN) itératif. Il constitue aujourd’hui une référence, bien qu’il
soit limité à une seule espèce et ne prenne pas en compte explicitement les contraintes biologiques de
la croissance des nervures. Simuler explicitement ces contraintes biologiques dans le «Vein growing
CNN» de Lagergren et al. améliorerait la segmentation et la généralisation de la méthode.

Références :

3. Boyce, C.K., Brodribb, T.J., Feild, T.S. & Zwieniecki, M.A.. Angiosperm leaf vein evolution was physiologically and environmentally transformative. Proceedings of the Royal Society B: Biological Sciences, 276, 1771–1776. Lagergren, J., Pavicic, M., Chhetri, H.B., York, L.M., Hyatt, D., Kainer, D., et al.. Few-Shot Learning Enables Population-Scale Analysis of Leaf Traits in Populus trichocarpa. Plant Phenomics, 5,
0072. Xu, H., Blonder, B., Jodra, M., Malhi, Y. & Fricker, M.. Automated and accurate segmentation of leaf venation networks via deep learning New Phytol, 229, 631–648.

Principales activités

Objectifs du stage : L’objectif est de repartir des données et codes de Lagergren et al. disponible
en libre accès (lien GitHub), afin d’enrichir leur pipeline par l’ajout de contraintes biologiques. Ceci pour

améliorer la segmentation des nervures et en faire une approche généraliste (non limité à une espèce).
Le travail suivra trois étapes principales :

Reproduction : Installer et exécuter le pipeline de Lagergren et al. sur leurs données de
Populus trichocarpa, afin d’obtenir un point de comparaison clair. Adaptation : Modifier l’algorithme de croissance des nervures pour y inclure des contraintes
biologiques (e.g., orientation, courbure, conicité, degré des nœuds) et en évaluer l'impact sur la
segmentation des nervures de Populus trichocarpa. Généralisation : Appliquer le pipeline de base et la nouvelle version à des jeux de données
provenant d’autres espèces (e.g.scans d’herbiers, photo), afin de mesurer l’impact des contraintes
biologiques sur la robustesse interspécifique.

Apports attendus : Un benchmark comparatif entre la méthode originale et la version contrainte.
Des outils de segmentation plus biologiquement réalistes, capables de mieux capturer la hiérarchie
des nervures. Une réflexion sur l’extension des approches few-shot à un cadre multiespèces

Compétences

Compétences obligatoires

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

Les plus

9. intérêt marqué pour l’interdisciplinarité
10. notions en analyse morphologique ou en modélisation biologique
11. connaissance en botanique ou en morphologie végétale
12. exécution de scripts sur serveurs distants

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. Participation mutuelle (sous conditions)

Rémunération

Gratification selon temps de présence.