Titre du Stage : Injection de descripteurs de forme dans des modèles de Deep Learning pour améliorer la robustesse
Description du Stage
Ce stage s'inscrit dans le cadre de la recherche sur l’amélioration de la robustesse des réseaux de neurones convolutifs (CNN) face aux perturbations géométriques et photométriques dans les images (rotation, échelle, bruit). Bien que performants, les modèles de Deep Learning classiques présentent une sensibilité notable à ces transformations.
L'objectif principal du stage est d'explorer l'intégration explicite de descripteurs de forme invariants (comme les moments de Zernike, Fourier-Mellin, invariants complexes) dans l’architecture d’un CNN (par exemple, ResNet ou VGG). Le stagiaire développera un pipeline hybride combinant extraction de descripteurs traditionnels et apprentissage profond, et mènera une série d’expérimentations pour évaluer les gains en robustesse et en performance.
Vos Missions
Les responsabilités de ce stage sont fournies ci-dessous :
- Revue de la littérature sur les descripteurs invariants et leur utilisation en vision par ordinateur.
- Préparation des jeux de données (MNIST, CIFAR-10 modifié, formes synthétiques) avec différentes transformations géométriques et bruitées.
- Implémentation ou utilisation de bibliothèques pour extraire les descripteurs de forme (Zernike, Fourier-Mellin, etc.).
- Développement d’un module d’injection des descripteurs dans une architecture CNN (ex : ResNet ou VGG), avec une attention particulière à la modularité du code.
- Expérimentations comparatives avec et sans descripteurs, en conditions normales et perturbées.
- Évaluation des performances (accuracy, robustesse aux transformations, temps d’inférence).
- Analyse des résultats à l’aide de visualisations (activation des couches, t-SNE, courbes de performance).
- Documentation du code et rédaction d’un rapport de stage structuré présentant la méthodologie, les résultats et les conclusions.
Les Compétences requises
- Connaissances en Deep Learning : CNN, réseaux hybrides, entraînement supervisé.
- Bases solides en traitement d’image : transformations géométriques, filtrage, moments.
- Maîtrise de Python et de bibliothèques associées (NumPy, OpenCV, scikit-image).
- Expérience avec un framework de Deep Learning : PyTorch (de préférence) ou TensorFlow.
- Notions de mathématiques appliquées : transformations invariantes, moments orthogonaux.
- Connaissance en expérimentations reproductibles : seed, gestion de configurations, logs.
- Capacité à travailler de manière autonome, à analyser et comparer des résultats.
Environnement et Technologies
- Langage principal : Python
- Framework Deep Learning : PyTorch (ou TensorFlow selon la préférence)
- Outils de visualisation : Matplotlib, Seaborn, TensorBoard
- Contrôle de version : Git + GitHub
- Plateforme de calcul : GPU local ou cloud (Google Colab)
- Systèmes de gestion de projet : Trello
- Communication : Encadrement régulier (hebdomadaire), revues de code, rapports de suivi
Aperçu du stage
| Titre | Injection de descripteurs de forme dans des modèles de Deep Learning pour améliorer la robustesse |
| Nom de l'entreprise | Smart It Partner |
| Emplacement | Ariana, TN |
| Temps | Temps plein |
| Date Debut | 30 juin, 2025 |
| Date Fin | 30 août, 2025 |
| Gratification | 0 |
| Type de Stage | ETE |
Smart It Partner
Département IT