Titre du Stage : Classification et Clustering de Formes par Injection de Descripteurs de Fourier dans un Modèle Deep Learning
Description du Stage
Ce stage a pour objectif de développer un système intelligent combinant l’analyse traditionnelle de formes par descripteurs de Fourier avec les capacités de représentation hiérarchique d’un modèle Deep Learning. Le projet vise à effectuer la classification supervisée et le clustering non supervisé de formes (issues d’images) en s’appuyant sur une architecture hybride CNN + MLP.
Le stagiaire devra concevoir un pipeline complet : extraction des contours, calcul des descripteurs de Fourier, intégration de ces descripteurs dans un modèle de Deep Learning, entraînement supervisé pour la classification, réduction de dimension avec un autoencodeur et clustering dans l’espace latent.
L’originalité du projet réside dans la fusion efficace de représentations traditionnelles (descripteurs de Fourier) et de représentations apprises (deep learning) pour améliorer la compréhension et la segmentation des formes.
Vos Missions
Les responsabilités de ce stage sont fournies ci-dessous :
- Extraction de contours à partir d’images binaires ou en niveaux de gris.
- Calcul des descripteurs de Fourier (et normalisation).
- Développement d’un modèle CNN pour les images.
- Intégration parallèle des descripteurs via un MLP.
- Fusion des deux branches pour classification supervisée.
- Conception et entraînement d’un autoencodeur.
- Clustering avec GMM ou KMeans dans l’espace latent.
- Visualisation de l’espace latent (ACP, t-SNE).
- Création d’une interface utilisateur simple pour tester l’outil.
- Modularisation du code : prétraitement, modèle, visualisation, interface.
- Rédaction d’une documentation technique et d’un rapport d’expérimentation.
Les Compétences requises
- Deep Learning : Connaissances solides en CNN, MLP, Autoencodeurs (TensorFlow ou PyTorch).
- Traitement d’images : Extraction de contours, transformation de Fourier.
- Machine Learning : Clustering (GMM, KMeans), réduction de dimension (PCA, t-SNE).
- Programmation : Python (obligatoire), bibliothèques comme NumPy, OpenCV, scikit-learn, Matplotlib.
- Capacité à concevoir un pipeline de traitement modulaire.
- Compétences en expérimentation et en analyse statistique.
- Capacité de rédaction technique claire et structurée.
- Autonomie dans la recherche de solutions techniques.
- Esprit de synthèse pour l’analyse des résultats.
- Sens de l’organisation pour respecter un calendrier de développement.
Environnement et Technologies
- Langage : Python
- Frameworks : TensorFlow ou PyTorch, OpenCV
- Outils : Jupyter, Git, scikit-learn, matplotlib, t-SNE, PCA
- Sources de données : MNIST, formes géométriques synthétiques, formes biologiques
Aperçu du stage
| Titre | Classification et Clustering de Formes par Injection de Descripteurs de Fourier dans un Modèle Deep Learning |
| Nom de l'entreprise | Smart It Partner |
| Emplacement | Ariana, TN |
| Temps | Temps plein |
| Date Debut | 23 juin, 2025 |
| Date Fin | 23 août, 2025 |
| Gratification | 150 |
| Type de Stage | ETE |
Smart It Partner
Département IT