Stage : Étude des techniques de synthèse d'images à l'aide de modèles génératifs H/F

Description de l'offre

Safran
Safran est un groupe international de haute technologie, équipementier de premier rang dans les domaines de l'Aéronautique, de l'Espace, de la Défense et de la Sécurité. L'innovation technologique est au cœur de la culture du Groupe Safran et SafranTech, son centre de R&T corporate mène les travaux de recherche scientifique requis pour apporter les technologies différenciantes de demain.
Safran est impliqué de longue date dans la recherche en Vision Artificielle, Machine Learning et l'Intelligence Artificielles et dispose d'un réseau de partenaires académiques de rang mondial.

Notre équipe
Au sein de Safran Tech, vous rejoindrez le pôle Technologie du Signal et de l'Information. Nous travaillons à appliquer des concepts avancés de mathématiques et d'intelligence artificielle à un large panel de sujets (véhicule autonome, contrôle non destructif, conception et design, surveillance de l'état de santé). Au sein de laboratoires dédiés, nous développons et exploitons des prototypes à échelle représentative de façon à pouvoir itérer efficacement et rapidement lors de la mise au point de nouveaux algorithmes.

Sujet du stage :
Dans le cadre de la fabrication de pièces aéronautiques, le contrôle des pièces, pendant ou en fin de fabrication, est une phase primordiale permettant d'assurer la conformité et la qualité des pièces qui sortiront des usines. Le contrôle est généralement réalisé par un expert en utilisant un système d'acquisition adéquate pour une pièce (rayons X, tomographies, ultrasons…) et est souvent fait manuellement. Récemment, des techniques basées sur du deep learning ont été développées afin d'assister les experts et identifier les zones d'intérêts à contrôler.
Bien que les algorithmes de deep learning montrent de très bonnes performances dans la littérature (sur des images naturelles), en pratique, sur des données industrielles les performances restent limitées, notamment en raison du nombre d'échantillons de la base de données ou bien en raison de la complexité des données. Le challenge est donc de déterminer des algorithmes d'apprentissage en utilisant seulement les données à disposition. Pour ce faire, des techniques d'augmentation de données ou de synthèse d'images peuvent être envisagées afin d'augmenter artificiellement la base de données

Ce stage vise à étudier les techniques de deep learning et en particulier les modèles génératifs (StyleGan2, VQVAE, NVAE, Progressive GANs) pour la synthèse d'images de haute qualité afin qu'elles soient comparables aux images originales. Afin de comparer objectivement les images générées, une partie du stage s'intéressera également à l'étude de métriques permettant de quantifier la qualité d'une image par rapport à des images réelles. Le deuxième objectif de cette étude est d'abord de vérifier la faisabilité d'une telle approche sur des données non naturelles. :

Complementary description

Puis, le deuxième objectif vise à exploiter les modèles afin d'améliorer l'apprentissage des algorithmes de contrôles : soit en utilisant les images générées soit en exploitant les modèles générés (via des algorithmes de self-supervised learning).
Pour ce faire, le stage sera réalisé en utilisant des données publiques puis des données propriétaires Safran
La première étape du stage consistera à réaliser une étude bibliographique portant sur la synthèse d'images à partir de modèles génératifs (GANs, VAEs, …), puis sur les métriques permettant de quantifier la qualité des images générées tel que AVA ou Koncept512. Après avoir identifié les méthodes les plus pertinentes, une deuxième étape du stage consistera à développer les algorithmes sur des données issues de la recherche académique (par exemple MVTec, GDXray,…). Dans cette deuxième étape, les algorithmes seront d'abord validés visuellement puis en utilisant les métriques issues de l'état de l'art.
Une troisième étape consistera à étudier et proposer une méthodologie qui permet d'exploiter ces algorithmes génératifs ou les images de synthèse pour des algorithmes de détection d'anomalies d'abord sur des données publiques puis sur des données Safran. Enfin, en fonction du temps imparti, un travail de valorisation sous forme d'une publication scientifique pourrait être envisagé sur les données publiques.

Safran is an international high-technology group, operating in the aviation (propulsion, equipment and interiors), defense and space markets. Its core purpose is to contribute to a safer, more sustainable world, where air transport is more environmentally friendly, comfortable and accessible. Safran has a global presence, with 81,000 employees and holds, alone or in partnership, world or European leadership positions in its core markets. Safran undertakes research and development programs to maintain the environmental priorities of its R&T and Innovation roadmap.

Safran is featured on the "Happy at work" rankings. The Group places fourth on the Capital ranking for best employers in France.

Profil recherché

Job requirements

Formation : Elève ingénieur 3eme année ou master II
Langues : Français/Anglais
Connaissances spécifiques : Python (dont au moins librairie de deep learning), environnement unix/linux
Spécialités : Mathématiques appliquées, Machine learning/Deep Learning,

Company information

Safran SA

Safran is an international high-technology group, operating in the aviation (propulsion, equipment and interiors), defense and space markets. Its core purpose is to contribute to a safer, more sustainable world, where air transport is more environmentally friendly, comfortable and accessible. Safran has a global presence, with 81,000 employees and holds, alone or in partnership, world or European leadership positions in its core markets. Safran undertakes research and development programs to maintain the environmental priorities of its R&T and Innovation roadmap.

Safran is featured on the "Happy at work" rankings. The Group places fourth on the Capital ranking for best employers in France.