Au sein de l’équipe R&D, en collaboration avec les équipes capteurs et recherche appliquée, vous travaillerez sur l’application des Prototypical Networks, une approche de deep learning adaptée à l’apprentissage avec peu de données annotées, pour améliorer la classification des déchets.

Missions principales :

• Étudier les méthodes de few-shot learning et leurs applications à la classification d’images
• Prise en main des avancées sur le sujet
• Implémenter et adapter des modèles de Prototypical Networks au tri des déchets
• Évaluer les performances des modèles sur des jeux de données réels et optimiser leurs hyperparamètres
• Rédaction d’un rapport technique et présentation des résultats
  

Nous recherchons un étudiant(e) en Master 2 ou en dernière année d’école d’ingénieur, spécialisé(e) en mathématiques appliquées, traitement du signal, traitement de l’information ou apprentissage automatique.

Compétences techniques :

• Maîtrise de Python et de bibliothèques scientifiques telles que PyTorch, NumPy et scikit-learn.
• Connaissances en deep learning et en méthodes de classification
• Connaissances en machine learning et en algèbre linéaire 

Vous faites preuve de rigueur, d’autonomie, de curiosité scientifique et d’esprit d’analyse.

Informations pratiques

• Durée : 5 à 6 mois
• Lieu : Pertuis (84), siège de PELLENC ST
• Encadrement : ingénieur R&D
• Gratification : 1200€