Ingénieur en Deep Learning et Image Processing – Sujet 1 (18 months) – Few-Shot Learning

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. 

Objectifs du projet

Ce projet s’inscrit dans le cadre d’une évaluation des méthodes de Few-Shot Learning pour la segmentation par instance. 

Les outils actuellement proposés par Pollen sont principalement de la détection d’objet par machine learning et des outils de détection de contours. Des travaux ont été réalisés à Pollen pour valider l’utilisation de méthodes de segmentation par instance avec des approches Deep Learning sur une base d’objets contenant quelques milliers d’objets. Cependant, la quantité d’annotations nécessaires est trop grande pour nos utilisateurs. 

Les méthodes de Few-Shot Learning constituent un état de l’art très novateur, qui n’ont pas encore fait leur preuve dans un cadre général d’apprentissage. Au vu des résultats excellents obtenus avec d’autres stratégies d’apprentissages, qui ne promettaient pas tant, nous pouvons faire le pari raisonnable que la “simplicité” (lié au domaine d’application très spécialisé de POLLEN) des modèles à détecter, peut faire que le Few-Shot Learning pourrait aussi apporter des résultats satisfaisants.

Le but de l’étude est de mettre en oeuvre la stratégie du Few-Shot Learning pour une tâche de segmentation par instance. Dans le cadre de cette technique, il s’agira de sélectionner une méthode Few-Shot Learning, de construire un ou plusieurs dataset adaptée(s) au métier de Pollen, puis de tester et de valider la solution.

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.

Environnement

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. 

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 mois.

Postuler en ligne

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