pour la généralisation de domaine en Deep Learning
Niveau requis: Bac +5
Durée: 6mois
Mots-clés: Deep Leaning, Modélisation 3D, Généralisation de domaine, Convolutional Neural Networks
Description du stage
L’apprentissage automatique et le deep learning en particulier requièrent une importante
quantité de données. Dans le cas de la reconnaissance de véhicules en imagerie infrarouge,
on peut se retrouver face à une absence de données réelles. Nous chercherons dans ce
stage à pallier à cette absence avec des données simulées obtenues à partir de modèles 3D
des véhicules.
Le périmètre du stage inclus une automatisation de la génération d’images infrarouge à
partir de modèles 3D sous Blender.
Ensuite, nous entraînerons un modèle de Deep Learning (Convolutional Neural Network)
avec une augmentation de données spécifique aux images infrarouge simulées. Le modèle
ainsi appris sera déployé sur des données de test réelles, constituant ainsi un problème de
généralisation de domaine. Les méthodes envisagées reposent notamment sur de
l’adversarial training, du self-supervised et du few-shot learning.
Compétences indispensables: Blender, Python,...
Envoyer votre CV en français à
dga-mi.stage.fct@intradef.gouv.fr
› Préciser la référence du stage: DIV-2023-DPT-1- Génération d’une base de donnée synthétique en infrarouge
pour la généralisation de domaine en Deep Learning
Les connaissances en IA (deep learning,...) sont un plus mais un bon graphiste avec sa seule experience de CG, connaissant python et curieux ne doit pas s'interdire de postuler
