Ce stage s’inscrit dans une démarche de recherche exploratoire avec pour objectif la rédaction et la soumission d’un article à une conférence reconnue du domaine de la vision par ordinateur. Le sujet portera sur l’adaptation cross-domaine pour la segmentation par instance : comment transférer efficacement un modèle entraîné sur un domaine source (conditions d’acquisition, capteurs donnés) vers un ou plusieurs domaines cibles différents, en limitant à la fois le coût de ré-annotation et le coût de réentraînement.

 Missions principales :

• Étudier l’état de l’art de l’adaptation de domaine.
• Formuler une ou plusieurs approches d’adaptation de domaine pour la segmentation par instance.
•  Implémenter les approches proposées et les évaluer sur des modèles existants et des jeux de données publics couvrant plusieurs domaines.
• Proposer un protocole expérimental rigoureux et mener une étude comparative avec les approches existantes.
• Rédiger les résultats sous forme d’article scientifique avec l’équipe en vue d’une soumission à une conférence de recherche, en collaboration avec l’équipe d’encadrement.

Profil recherché

• Étudiant(e) en Master 2 ou école d’ingénieurs, spécialisation en IA, mathématiques appliquées, vision par ordinateur, avec un fort attrait pour la recherche.

• Bonnes bases théoriques en apprentissage automatique et idéalement en adaptation de domaine.

• Compétences solides en PyTorch et connaissance des architectures de segmentation et/ou détection d’objets.

• Bonne maîtrise de Python et des frameworks associés (Torchvision, MMDetection, etc.).

• Autonomie, rigueur scientifique et goût pour la rédaction et la valorisation de travaux de recherche.

Informations pratiques:

• Durée : 5 à 6 mois

• Lieu : Pertuis (84), siège de PELLENC ST.

• Encadrement : Chercheur

• Gratification : selon profil et conventions en vigueur.

• Objectif de valorisation : accompagnement à la rédaction et à la soumission d’un article dans une conférence.

• Perspectives : possibilité de poursuivre sur une thèse CIFRE en lien direct avec les travaux réalisés.

[1] P. Oza, V. A. Sindagi, V. VS, and V. M. Patel, “Unsupervised Domain Adaptation of Object Detectors: A Survey,” IEEE TPAMI, 46(6), 4018–4040, 2024.

[2] M. H. Tanveer, Z. Fatima, S. Zardari, and D. Guerra-Zubiaga, “An In-Depth Analysis of Domain Adaptation in Computer and Robotic Vision,” Applied Sciences, vol. 13, no. 23, 12823, 2023. DOI: 10.3390/app132312823.