D i r e c t i o n d e l a R e c h e r c h e Te c h n o l o g i q u e D é p a r t e m e n t d e s Te c h n o l o g i e s d e s S ys t è m e s I n t e l l i g e n t s S e r vi c e A r c h i t e c t u r e s e t C o n c e p t i o n Stage n°1 du Laboratoire Systèmes de Vision Embarqués Etude et développement l’apprentissage d’une plateforme logiciel pour Les méthodes de reconnaissance d’objet par apprentissage statistique sont de plus en plus employées en vision artificielle. Elles ont en effet montré des performances tout a fait intéressantes dans plusieurs domaine (reconnaissance de caractères, détection de visages ou de piétons…). Le cœur de ces techniques consiste en l’apprentissage de l’apparence d’un objet particulier (piéton, voiture, visage, etc..) comparativement au reste du monde. Cette comparaison nécessite donc un ensemble d’exemples positifs (l’objet à reconnaître) et négatifs (le reste du monde). Dans la cas de la reconnaissance de piétons en milieux urbains, cette collecte d’information consiste à encadrer toutes les personnes présente dans les images. Il s’agit d’un travail long et fastidieux mais qui peut être grandement faciliter par la mise en place d’une interface efficace. Cette interface comprendra par exemple des techniques de suivi d’objet dans le cas d’un séquence d’images consécutives. IL est important de noter que la performance générale des méthodes d’apprentissage s’accroit avec le nombre d’exemple dont dispose l’algorithme. Il est donc impératif de traiter un nombre d’exemple important (plusieurs dizaines de millier) si l’on veut obtenir un reconnaissance vraiment fiable et performante. L’inconvénient majeure de l’accroissement du nombre de données concerne la place mémoire nécessaire à l’algorithme ainsi que le temps de calcul qui peut devenir prohibitif. Les performances des algorithme dépendent aussi de la qualité et de la diversité des exemples présentés. Ce stage débutera tout d’abord dans la mise en place d’une interface convivial pour l’acquisition des exemples. Il consistera ensuite en l’étude de la meilleure solution pour la parallélisassions des algorithmes d’apprentissage sur plusieurs processeurs ou pc afin de maintenir le temps de calcul dans les limites acceptables. Suivant la réalisation des deux premiers objectifs, nous nous intéressons aux méthodes permettant un choix pertinent des exemples d’apprentissages. L’étudiant devra avoir de solide compétences en programmation C++ (interface graphique, multithreading) et dans une moindre mesure en vision par ordinateur et machine learning. Niveau demandé : Master Recherche/Ingénieur (5ème année) (possibilité de poursuite en thèse) Durée : 6 mois Compétences : C++, vision par ordinateur, machine learning Contact : Nom Téléphone Email : Yoann Dhome : 01.69.08.82.98 : [email protected] Centre Saclay 91191 Gif sur Yvette Cedex Tél. 01 69 08 65 25 - FAX 01 69 08 83 95 – [email protected] Commissariat à l'Energie Atomique