Ingénieur/Post-Doc en Deep Learning et Image Processing – Sujet 2 (18 months) – Development of annotation tools

Pollen Metrology

Publié il y a 1 mois

Pollen Metrology est une deeptech spécialisée dans la création de logiciels intelligents (IA) destinés à la production de matériaux à haute performance. Pollen a développé une technologie unique d’intelligence artificielle permettant d’analyser automatiquement tous types d’images provenant de microscope électronique à balayage, à transmission ou optique. 

Vous rejoignez une équipe d’une trentaine de collaborateurs possédant différentes expertises (métrologie, physique, informatique, traitement d’images, deep learning, fusion de données) pour fournir une technologie d’IA qui permet à nos clients d’optimiser leurs procédés industriels avancés.

Dans le cadre de la mise sur le marché de la 3ème génération de produits, Pollen recrute de nouveaux collaborateurs pour renforcer son équipe engineering afin de travailler avec nos clients de différents écosystèmes notamment: semiconducteur, data storage, chimie, réalité augmentée, écrans plats.

Vous serez basés dans les locaux de notre siège social à Moirans (zone Centr’Alp proche de la gare, 15 min de train de Grenoble) tout en ayant la possibilité de télétravailler chaque semaine.

Environnement

Pollen Metrology développe un framework propriétaire d’intelligence artificielle utilisant les techniques les plus avancées de machine learning. Cette technologie nous permet d’automatiser l’analyse des données, essentiellement des images, d’une chaîne de production (nanostructures sur silicium ; poudres et particules).

Les outils de traitement d’images et de machine learning développés par Pollen permettent de réaliser des mesures automatiques sur des images de microscopie électronique. Ils proposent à l’utilisateur de définir une région d’intérêt sur laquelle des mesures doivent être effectuées puis replacées automatiquement sur des régions d’intérêt semblables sur toute nouvelle image.  

Plusieurs types de supervisions pourront être envisagés. Les critères de sélections seront la vitesse de dessin et la possibilité de transposer ces éléments à des nouveaux objets sans avoir à les modifier. 

Objectifs du projet

Ce projet s’inscrit dans le développement de méthodes permettant l’annotation rapide d’objets pour de la segmentation par instance.  

L’obstacle principal à l’adhésion de nos utilisateurs à la segmentation par instance est la quantité d’annotations et le temps. Nous avons réussi à réduire de façon importante la quantité de données nécessaires pour l’entraînement en utilisant des réseaux pré-entrainés et grâce à la répétitivité des objets à analyser pour atteindre une quantité d’images à annoter inférieur à 10. Cependant, ce temps reste important quand les objets sont complexes ou très nombreux (d’une dizaine à plusieurs centaines par image).  
Nos outils actuels reposent sur des approches de contours actifs ou de seuillage. 

Il est donc envisagé de développer des outils qui facilitent cette tâche. Le cadre de ce projet est de proposer : 

  • une flexibilité qui permette une correction facile pour que la segmentation corresponde aux besoins des utilisateurs, 
  • une facilité de production ou reproduction, à partir d’un existant, à des nouveaux objets. 

Ces outils pourront s’inspirer de marqueurs existants, pour les approches Graph Cut ou Watershed par exemple ou pourront proposer des nouvelles approches.  
Pour l’aspect édition, Polygon RNN++ propose aussi des aspects intéressants permettant de gérer la continuité des segmentations proposées. 

Dans le cadre de ce projet, plusieurs datasets sont déjà disponibles chez Pollen pour la tâche de segmentation par instance. Le candidat pourra être amené à annoter des données supplémentaires au besoin. Des comparatifs de temps seront à effectuer pour valider la vitesse de l’approche en termes d’interaction utilisateur. 

Exemples d’images à traiter 

Ces exemples sont représentatifs et libres de droits. Nos images proviennent de microscope électronique et sont représentées en niveau de gris. Les dimensions sont variables de 256*256 à 4096*4096 selon les clients.  

Les exemples suivants représentent des suggestions de résultats attendus, où la segmentation est obtenue en traçant la boîte avec les coins orange. 

Les travaux porteront sur des images qui ne sont pas la propriété de Pollen. 

Compétences demandées

  • Connaissance approfondie du Deep Learning. 
  • Bonnes connaissances en Python (TensorFlow ou PyTorch, scikit-learn, etc). 
  • Connaissances en traitement d’images. 
  • Maîtrise de l’anglais. 
  • Esprit d’équipe et adaptabilité

Organisation du projet

Le candidat devra être présent sur le site de Pollen afin de s’immerger dans la problématique posée, en comprenant parfaitement les contraintes technologiques de la métrologie mise en œuvre par Pollen. Ceci est aussi nécessaire pour être en mesure de rendre générique chaque mise en œuvre pour d’autres applications. 

Les méthodes utilisées dans le cadre du projet devront être démontrées dans le produit de Pollen avec l’aide de l’équipe afin de valider les résultats auprès des utilisateurs finaux. 

Des visites d’une semaine dans le laboratoire d’accueil seront possibles afin de favoriser les interactions avec l’environnement universitaire. 

La gestion sera faite au quotidien selon la méthodologie agile scrum, avec des engagements et des étapes toutes les 2 semaines. 

Le projet a une durée prévue de 18 à 24 mois. 

Postuler en ligne

Un numéro de téléphone valide est requis.
Un email valide est requis.