Mots clés

few-shot learning - machine learning - meta learning - transfer learning

Descriptif

Le contrôle qualité de pièces industrielles consiste à vérifier si une pièce est conforme à un standard. On veut par exemple contrôler si la pièce est de la bonne référence parmi celles connues ou si elle ne comporte pas de défauts d’aspect.

A la différence du contexte dans lequel les méthodes “standard “de classification d’images ont réussi, le contexte industriel possède d’autres caractéristiques :

• Les pièces contrôlées sont souvent concepts / classes assez proches visuellement (faible variabilité interclasse), et encore plus proches entre elles (faible variabilité intra-classe)

• Le nombre d’images par classe et de classe évolue au cours du temps, en fonction de la production.

• Il existe beaucoup de classes similaires, qui correspondent à des références de pièces différentes, parfois de la même gamme.

• Il existe peu d’images par classe initialement (échantillons de test, pré-production).

Bien que des méthodes de classification “standard” pourraient être appliquées directement sur chaque problème, il est possible de tirer parti notamment de la ressemblance entre certaines applications pour construire des modèles plus performants. En effet, en s’appuyant sur des similarités entre domaines, il serait possible d’utiliser des connaissances acquises sur certaines tâches pour améliorer la performances obtenue sur des tâches connexes. Cette situation se présente fréquemment en contrôle qualité, où certains domaines sont suffisamment similaires pour que, même si les références de pièces controlées changent, la sémantique de la tâche de contrôle reste la même (défaut de soudure, rayures, défaut de polarisation, …).

Nous souhaitons étudier la possibilité de construire des modèles génériques par domaine et leur transférabilité sur des cas spécifiques. Ces modèles seraient enrichis par les concepts sémantiques appris initialement et pourraient ainsi nécessiter moins de supervision, contournant l’une des lacunes les plus importantes des systèmes d’IA modernes : leur dépendance à l’égard de grands ensembles de données étiquetées par l’homme. Un autre intérêt de ces modèles génériques, appris itérativement serait de gagner en temps d’apprentissage par rapport à un apprentissage from scratch, et également en temps d’inférence. Sera posera la question de la définition du domaine, et de son échantillonnage.

Le stage commencera par une revue de l’état de l’art dans les domaines transfer learning, meta learning et self-supervised learning, avec pour objectif d’identifier des solutions pertinentes à faire évoluer ou à adapter au problème du contrôle qualité. La seconde partie du stage sera l’évaluation en profondeur des méthodes identifiées afin de comprendre leurs forces et faiblesses, potentiellement proposer des améliorations, et préparer leur intégration future au produit. Pour cela, l’entreprise mettra à disposition plusieurs set de données publiques et privées.

Références

• Prototypical Networks for Few-shot Learning

• Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks

• Meta-Dataset: A Dataset of Datasets for Learning to Learn from Few Examples

Encadrement

• Superviseur(s) : Aitor Artola (Doctorant CIFRE, Visionairy, Centre Borelli), Yannis Kolodziej (Directeur Technique, Visionairy)

• Équipe R&D : Aitor Artola (Doctorant CIFRE, Visionairy, Centre Borelli), Yannis Kolodziej (Directeur Technique, Visionairy), Tom Veniat (Ingénieur R&D, Visionairy), Centre Borelli (Professeur, Post-Doc)

• Possibilité d’étendre en thèse: Oui

• Formation Master à majeure mathématique / signal / image

• A l’aise avec la littérature scientifique et l’implémentation de papiers

• A l’aise avec Python 3.8+ et le tooling “data-science”

• Intérêt pour travailler dans une startup et appliquer le machine learning a des problématiques métier

• Entretien intro
• Entretien technique
• Entretien fit