Détection d’animaux marins sur des images aériennes par des méthodes non-supervisées et faiblement supervisées

Date prévue: Février-Mars 2021

Durée: 6 mois

Lieu: Université Bretagne Sud – IRISA (équipe OBELIX), Vannes 56000, France

Contexte:

Ce stage s’intègre dans le cadre du projet SEMMACAPE (https://semmacape.irisa.fr/), qui vise le développement d’un système automatique de suivi de la mégafaune marine. Ce projet est un partenariat entre le laboratoire de recherche IRISA (Institut de recherche en informatique et systèmes aléatoires) à Vannes, l’entreprise d’analyse d’image pour l’écologie Wipsea, l’institut pour la transition énergétique dédié aux énergies marines renouvelables (France Energie Marines – FEM), l’Office Français de la Biodiversité (OFB), et l’Institut Français de Recherche pour l’Exploitation de la Mer (Ifremer).

Afin d’analyser l’impact causé par l’installation des parcs éoliens sur la mégafaune marine, ce projet vise à automatiser les suivis environnementaux des parcs éoliens en utilisant des méthodes d’apprentissage profond supervisées et non-supervisées. Les tâches de ce projet, partagées entre les différents partenaires académiques et industriels, comprennent l’acquisition des images aériennes des animaux marins, l’annotation de ces images par des spécialistes du domaine, l’évaluation des méthodes de détection existantes et le développement des nouvelles méthodes de détection d’animaux marins.

Le-a futur-e stagiaire sera impliqué-e dans la détection d’animaux marins par des méthodes non-supervisées et faiblement supervisées, i.e., des méthodes dont la détection se fait sans avoir des annotations ou avec peu d’information sur les images. Cela comprendra l’utilisation et l’évaluation des méthodes pré-existantes sur les données du projet, et, possiblement, l’adaptation de ces méthodes afin d’améliorer les résultats sur les objets ciblés.

Le-a futur-e stagiaire rejoindra l’équipe OBELIX (OBsErvation de L’environnement par Imagerie compleXe, http://www.irisa.fr/obelix) de l’IRISA à Vannes (Université Bretagne Sud, Campus de Tohannic).

Missions/Programme de travail:

Etude bibliographique des méthodes de détection d’objets non-supervisées et faiblement supervisées
Adaptation des méthodes de l’état de l’art pour la détection d’animaux marins sur des images aériennes
Évaluation de ces méthodes sur les images provenantes des campagnes d’acquisitions du projet SEMMACAPE

Profil/Compétences:

Formation Master 2 ou Ecole d’Ingénieur
Traitement d’image, Machine Learning (expérience en Deep Learning appréciée)
Programmation Python (expérience avec Tensorflow et/ou Pytorch appréciée)
Contacts: Deise SANTANA MAIA, Minh-Tan PHAM, Sébastien LEFEVRE

Envoyer votre CV + relevés de notes + lettre de motivation à deise.santana-maia@irisa.fr, minh-tan.pham@irisa.fr et sebastien.lefevre@irisa.fr (avant le 30 novembre 2020).

Références:

[1] S.   M.   A.   Eslami,   N.   Heess,   T.   Weber,   Y.   Tassa,   D.   Szepesvari, K.  Kavukcuoglu,  and  G.  E.  Hinton,  “Attend,  infer,  repeat:   Fast  scene understanding with generative models,” in Advances in Neural Information Processing   Systems   29 : Annual   Conference   on   Neural   Information Processing   Systems   2016,    December   5-10,  2016 pp.  3225–3233. Available: http://papers.nips.cc/paper/6230-attend-infer-repeat-fast-scene-understanding-with-generative-models

[2] E.  Crawford  and  J.  Pineau,   “Spatially  invariant  unsupervised  object detection   with   convolutional   neural   networks,”   inThe   Thirty-ThirdAAAI  Conference  on  Artificial  Intelligence,   AAAI  2019,   The  Thirty-First  Innovative  Applications  of  Artificial  Intelligence  Conference,  IAAI2019,The    Ninth    AAAI    Symposium    on    Educational    Advances    inArtificial   Intelligence,   EAAI   2019,   Honolulu,   Hawaii,   USA,   January27   –   February   1,    2019,   2019,   pp.   3412–3420. Available: https://aaai.org/ojs/index.php/AAAI/article/view/4216

[3] X.  Wei,  C.  Zhang,  J.  Wu,  C.  Shen,  and  Z.  Zhou,  “Unsupervised  object discovery  and  co-localization  by  deep  descriptor  transforming,”CoRR,vol. abs/1707.06397, 2017. Available: https://arxiv.org/abs/1707.06397

[4] Bilen, H., Pedersoli, M., & Tuytelaars, T. (2015). Weakly supervised object detection with convex clustering. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 1081-1089). Available: https://openaccess.thecvf.com/content_cvpr_2015/papers/Bilen_Weakly_Supervised_Object_2015_CVPR_paper.pdf

[5] Deselaers, T., Alexe, B., & Ferrari, V. (2012). Weakly supervised localization and learning with generic knowledge. International journal of computer vision, 100(3), 275-293. Available: https://link.springer.com/content/pdf/10.1007/s11263-012-0538-3.pdf