Cette offre n’est plus disponible.

[STAGE] R&D engineer - Développement d’une librairie de ré-identification pour le suivi temps-réel mono et multi-caméras

Stage(5 à 6 mois)
Puteaux
Salaire : Non spécifié
Télétravail occasionnel
Éducation : Bac +5 / Master

XXII GROUP
XXII GROUP

Cette offre vous tente ?

Questions et réponses sur l'offre

Le poste

Descriptif du poste

Stage en intelligence artificielle et vision par ordinateur

Intitulé du stage : Développement d’une librairie de ré-identification pour le suivi temps-réel mono et multi-caméras

Contexte

Dans le cadre du développement de ses travaux de recherche et développement, XXII recherche un(e) stagiaire R&D motivé(e) et talentueux(se) pour renforcer l’équipe R&D et répondre aux limites scientifiques et technologiques actuelles pour une industrialisation des solutions software en vision par ordinateur.

Vous serez rattaché(e) à l’équipe de R&D sous la direction d’un ingénieur/docteur.

Mission & Objectifs

Depuis quelques années, les performances des détecteurs et des trackers temps réels, basés sur des réseaux de neurones, permettent d’avoir des performances suffisamment importantes pour être exploitées dans des applications industrielles. La partie du tracking (suivi) mono-caméra ou monovue permet de suivre un objet d’intérêt dans une image, pour faciliter sa localisation ou pour optimiser la puissance de calcul nécessaire. Des approches similaires permettent le tracking multi-caméras, ou multi-vues, autrement dit dans la réidentification d’objets d’intérêt.

Un problème majeur dans l’algorithme de suivi d’objets est de retrouver les objets perdus dans des contraintes temporelles et spatiales pendant le processus de suivi. Le problème peut être considéré comme un problème de ré-identification classique. Il s’agit de récupérer des images plus similaires dans un ensemble des images enregistrées (a.k.a. “gallery”). Un avantage de cette approche est la capacité de couvrir plusieurs cas d’usage. Par exemple, le tracking multi/mono-vue, la recherche image dans un processus a posteriori, etc. Par contre, cette approche a plusieurs inconvénients: les datasets d’entraînement sont dédiés aux classes spécifiques comme véhicules ou humains. Pour résoudre ce problème et étendre l’utilisation, il y a des travaux dans le littérature qui l’adressent comme un problème d’adaptation domain [1, 2, 3] et l’apprentissage non-supervisé [3].
En un autre façon de formaliser ce problème, dans la littérature de tracking [4], il est considéré comme un “joint problem” de détections [5] ou de contraintes de “re-identification” [6, 7].

Dans le cadre de nos développements produit, XXII travaille sur ce type de tracker pour permettre le suivi d’objets (humains, véhicules, …) dans scènes simples ou multiples et pour des applications d’analyse de vidéo en temps réel.
L’objectif de ce stage est d’explorer de nouvelles approches de ré-identification pour le suivi temps-réel mono et multi-caméras.

[1] Group-aware label transfer for domain adaptive person re-identification, CVPR21’
[2] Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification, AAAI21’
[3] Mutual Mean-Teaching: Pseudo Label Refinery for Unsupervised Domain Adaptation on Person Re-identification, ICRL20’
[4] MOTSynth: How Can Synthetic Data Help Pedestrian Detection and Tracking?, ICCV21’
[5] Tracking without bells and whistles, ICCV19’
[6] Relational Prior for Multi-Object Tracking, CVPR21’

Étapes du stage et objectifs

  • Réalisation d’un état de l’art complet sur les nouvelles approches de ré-identification pour le suivi
  • Réalisation de recommandations d’améliorations de l’approche théorique du système de XXII et de l’implémentation actuelle
  • Nouvelle implémentation sur la ReID
  • Réalisation de tests et itération sur les développements jusqu’à avoir une qualité satisfaisante
  • Intégration des approches sélectionnées dans une librairie interne pour les équipes produits & R&D
  • Possibilité de la rédaction d’un article scientifique si apports théoriques notables

Profil recherché

Le profil idéal

En recherche d’un stage de fin d’études de M2 ou de diplôme d’ingénieur.
Vous avez un goût prononcé pour l’innovation et le développement.
Vous êtes autonome et polyvalent(e) techniquement et scientifiquement.

Compétences requises

  • Des connaissances théoriques solides en machine learning et en vision par ordinateur
  • Un bon niveau en programmation POO (C/C++ et/ou Python) est obligatoire
  • Une expérience avec les librairies de vision par ordinateur comme OpenCV et un framework de deep learning (Tensorflow, Torch, Caffe, etc) serait un plus
  • Lecture et rédaction d’articles scientifiques
  • Une bonne maîtrise du français et de l’anglais
  • Un goût prononcé pour l’innovation et la recherche

Déroulement des entretiens

  • Entretien technique avec tuteur et manager équipe
  • Entretien avec le CSO

Envie d’en savoir plus ?

D’autres offres vous correspondent !

Ces entreprises recrutent aussi au poste de “Données/Business Intelligence”.

Voir toutes les offres