STAGE - Deep learning et identification de normales sur nuages de points - F/H

STAGE - Deep learning et identification de normales sur nuages de points - F/H Lieu : Elancourt, France Construisons ensemble un avenir de confiance. Thales est un leader mondial des hautes technologies spécialisé dans trois secteurs d’activité : Défense & Sécurité, Aéronautique & Spatial, et Cyber & Digital. Il développe des produits et solutions qui contribuent à un monde plus sûr, plus respectueux de l’environnement et plus inclusif. Le Groupe investit près de 4 milliards d’euros par an en Recherche & Développement, notamment dans des domaines clés de l’innovation tels que l’IA, la cybersécurité, le quantique, les technologies du cloud et la 6G. Thales compte près de 81 000 collaborateurs dans 68 pays. Nos engagements, vos avantages Notre savoir-faire technologique Notre attention portée à l’équilibre des collaborateurs Un environnement inclusif et bienveillant Un engagement sociétal et environnemental reconnu (Thales Solidarity, indice CAC 40 ESG…) Votre quotidien Au coeur de Saint‑Quentin en Yvelines, le site d'Elancourt est l'un des centres d’excellence technologique Thales les plus importants. La diversité et la technicité des systèmes et équipements mobilisent des savoir‑faire dans plus de 80 métiers dans les solutions de défense, de sécurité de haute technologie et de services numériques. Thales développe un système de veille infrarouge aéroporté permettant de détecter des objets (aéronefs, missiles, nuages, points chauds au sol, etc.), de les suivre temporellement et de les classifier afin de n’envoyer que les menaces (aéronefs, missiles) au système de combat de la plateforme. Les travaux proposés dans ce stage s’inscrivent dans le cadre du développement des produits et systèmes optroniques aéroportés de Thales LAS, et visent à améliorer les performances des algorithmes de reconstruction d’imagerie active LIDAR. Le traitement de nuages de points provenant de capteurs tels que les LiDARs constitue un défi majeur lorsqu’ils sont attachés à un porteur mobile ou fixe présentant des contraintes d’accessibilité. Cela est particulièrement vrai pour les voitures autonomes, où la compréhension de la scène doit se faire à la volée avec l’impossibilité de tourner autour des objets ou de la scène pour mieux la comprendre. Les nuages de points sont le plus souvent : Partiels (l’accessibilité de la scène par le capteur étant généralement assez limitée) Relativement « creux » ou « sparses » (les objets capturés ne le sont pas que par la partie qui fait face au capteur) Non 2‑manifolds et non watertight (présence de structures fines à une dimension, et difficulté à obtenir une définition claire de l’intérieur/extérieur des objets capturés) Dans la littérature, différentes classes de méthodes adressent un ou plusieurs de ces éléments. Des méthodes comme celle présentée par R. Xu et al. 2023 cherchent à rendre la reconstruction de nuage de points robuste à la présence de structures fines et à la présence d’objets non fermés. D’autres classes de méthodes, telle que Malić et al. 2025, proposent de reconstruire les normales d’un nuage de points à partir d’un réseau de neurones profonds (transformer) entraîné sur des données synthétiques. Dans le cadre de ce stage, il s’agira d’explorer ces différentes possibilités, tout en prenant en compte les spécificités des données d’acquisition qui lui seront fournies. Il s’agira aussi d’évaluer ces méthodes par rapport à des approches plus simples telles la PCA pour le calcul de normales ou la reconstruction de surface de Poisson (pour la définition et le calcul de la surface elle‑même). Cette évaluation se fera à la fois sur les données de la littérature, ainsi que sur les données d’acquisitions qui lui seront fournies. Une attention devra aussi être attachée à la frugalité des ressources de calcul demandées par les méthodes explorées. Responsabilités Appropriation de la problématique et analyse bibliographique (1 mois) Implémentation et étude de différentes approches retenues (3 mois) Évaluation et comparaison des performances (1 mois) Rédaction d’un rapport de stage et d’un rapport d’étude interne (1 mois) Profil recherché Vous cherchez votre stage de fin d'études de 6 mois en traitement d'images et du signal ? Vous avez des connaissances solides en traitement d’images et du signal. Vous maîtrisez les langages Python et PyTorch (ou TensorFlow). On vous reconnait pour votre rigueur et votre investissement. Tous nos stages sont conventionnés et soumis à une gratification dont le montant est déterminé selon votre niveau d’études. Thales, entreprise Handi‑Engagée, reconnaît tous les talents. La diversité est notre meilleur atout. Postulez et rejoignez‑nous #J-18808-Ljbffr