Dans le but de développer des plateformes low-cost d'acquisition d'images infrarouges sur un vecteur aérien, on utilise un capteur infrarouge non-refroidi (bolomètre).
Ce type de capteur a une certaine latence thermique ce qui implique un certain flou de bougé dans l'image qui peut être rédhibitoire pour les fonctions de détection/reconnaissance d'objet automatique qu'on souhaite associer à cette plateforme. En outre, par rapport aux capteurs refroidis, le niveau de bruit dans l'image est plus élevé.

Le stage proposé vise à sélectionner et évaluer sur des séquences d'images réelles et des séquences d'images de synthèse des algorithmes de restauration d'image à base d'IA (réseaux de neurones convolutifs). On entend par restauration défloutage, débruitage, correction d'aberrations optiques et éventuellement super-résolution. Les méthodes sélectionnées et évaluées pourront ou pas se baser sur des connaissances spécifiques sur le capteur ou sur le mouvement de la ligne de visée.
1. Vous effectuerez une revue de la littérature interne et externe pour comprendre les approches existantes dans l'état de l'art et vous proposerez une sélection de méthodes à évaluer par rapport aux problèmes encore existants sur nos cas d'usage.
2. Vous proposerez un ensemble de métriques d'écart à l'image de référence.
3. Vous mettrez en œuvre les évaluations des approches.
4. Si le temps le permet, vous évaluerez l'apport en portée de détection et de résistance du tracking au niveau de flou de bougé sur des scenarios synthétiques
5. Vous analyserez et synthétiserez l'ensemble des résultats.
Les résultats de cette recherche permettront de définir des recommandations sur les meilleures approches à utiliser.

Compétences techniques :
Mathématiques appliquées, Apprentissage automatique et vision par ordinateur par CNN et Vision Transfomers, Traitement d'images, Programmation Python/PyTorch, Système d'exploitation Linux.

Formation :
Elève ingénieur-e d'une école à dominante Machine Learning / Traitement d'image.