Adaptive Downscaling Convolutional Neural Network

Statut
pourvu
Domaine

L’usage de la tomographie permet la reconstruction volumique de matériaux poreux dans le but de les caractériser. En général, les images issues de tomographie, en particulier de tomographie électronique, sont complexes, bruitées et très volumineuses. La segmentation de ces images est aujourd’hui un traitement laborieux, difficilement automatisable et extrêmement consommateur de temps. L’objectif de ce travail consiste à mettre au point une méthode de segmentation adaptée et performante permettant de déterminer efficacement les descripteurs pertinents des matériaux. Pour cela, le travail s’articulera autour de l’utilisation et la conception d’algorithmes innovants basés sur des méthodes modernes d’apprentissage profond (i.e. deep learning) dont la performance en traitement d’images est largement démontrée. Le point clé sera la maîtrise des temps de calcul, aussi bien pour la phase d’apprentissage que pour la prédiction. 
Dans un premier, nous explorerons des techniques de simplification de la donnée d’entrée par sous-échantillonnage localement adaptatif. Ensuite, nous nous intéresserons à mettre en place une méthode d’apprentissage profond, en particulier par réseau de neurones convolutif (CNN), à partir des données sous échantillonnées. L’enjeu est de développer des modèles de réseaux utilisant des convolutions 3D pour apprendre des descripteurs discriminants en gardant une complexité algorithmique raisonnable. Enfin, nous nous intéresserons aux manières de pré-entrainer un réseau de neurones et à sa mise à jour rapide à partir de nouvelles données. Ce point sera important pour le développement d’une méthode de segmentation interactive guidée par l’utilisateur. 
Les développements seront intégrés dans la plateforme en open acces plug im ! : www.plugim.fr

Mots clefs: Apprentissage profond, traitement d’images, 3D

 

  • Directeur de thèse    Pr. DUCOTTET Christophe, Laboratoire Hubert Curien, UMR CNRS 5516
  • Ecole doctorale    488 - Ecole Doctorale Sciences, Ingéniérie, Santé (SIS) Saint Etienne - http://edsis.universite-lyon.fr/
  • Encadrant IFPEN     Dr. MOREAUD Maxime, Direction Sciences et Technologies du Numérique, maxime.moreaud@ifpen.fr ORCID https://orcid.org/0000-0002-4908-401X
  • Localisation du doctorant    IFP Energies nouvelles, Solaize, FRANCE  
  • Durée et date de début    3 ans, début de préférence en octobre 2019 
  • Employeur    IFP Energies nouvelles
  • Qualifications    Master 2, ingénieur
  • Connaissances linguistique    Bonne maîtrise du français indispensable, anglais souhaitable
  • Autres qualifications    Machine learning, traitement d'images, programmation C/C++, Python
A propos d'IFP Energies nouvelles

IFP Energies nouvelles est un organisme public de recherche, d’innovation et de formation dont la mission est de développer des technologies performantes, économiques, propres et durables dans les domaines de l’énergie, du transport et de l’environnement. Pour plus d’information, voir www.ifpen.fr. 
IFPEN met à disposition de ses chercheurs un environnement de recherche stimulant, avec des équipements de laboratoire et des moyens de calcul très performants. IFPEN a une politique salariale et de couverture sociale compétitive. Tous les doctorants participent à des séminaires et des formations qui leur sont dédiés.
 

Contact
Encadrant IFPEN 
Dr. MOREAUD Maxime
Direction Sciences et Technologies du Numérique