Stage IA Défense: Deep Learning et Adaptation de Domaine

AMIAD - Agence ministérielle pour l'IA de défense; Chanteloup; Vor Ort; EUR 6.700 - 11.000; Teilzeit

Zusammenfassung

AMIAD - Agence ministérielle pour l’IA de défense recrute un stagiaire en fin de deuxième année ou en dernière année d’école d’ingénieur, orienté Intelligence Artificielle / Deep Learning. Vous contribuerez au développement et à l’évaluation de modèles d’estimation de profondeur et de distance à partir d’images.

Vous travaillerez sur le transfert synthétique-réel et l’adaptation de domaine, avec finetuning sur des données réelles disposant de mesures de référence (LRF).

Qualifikationen

• Analyse et diagnostic: étudier l’état de l’art des méthodes d’estimation de profondeur et de distance à partir d’images.
• Recherche et développement: entraîner et évaluer des modèles d’estimation de profondeur et de distance à partir des données synthétiques; étudier l’adaptation de domaine synthétique-réel; fine-tuner sur des données réelles avec mesures de référence (LRF).
• Évaluation: définir métriques/protocoles et comparer les stratégies d’entraînement et d’adaptation au domaine réel.

Aufgaben

• Étudier l’état de l’art et diagnostiquer les méthodes d’estimation de profondeur et d’échelle pour des observations en extérieur et longue portée.
• Développer et évaluer des modèles d’estimation de profondeur et de distance à partir de données synthétiques; travailler l’adaptation de domaine et le fine-tuning sur données réelles.
• Établir les métriques et protocoles d’évaluation et analyser les performances et cas limites.

Kenntnisse

Python

Deep Learning

Analyse et diagnostic

Ausbildung

École d'ingénieur

Jobbeschreibung

AMIAD - Agence ministérielle pour l’IA de défense recrute un stagiaire en fin de deuxième année ou en dernière année d’école d’ingénieur, orienté Intelligence Artificielle / Deep Learning. Vous contribuerez au développement et à l’évaluation de modèles d’estimation de profondeur et de distance à partir d’images.

Vous travaillerez sur le transfert synthétique-réel et l’adaptation de domaine, avec finetuning sur des données réelles disposant de mesures de référence (LRF).