Stage de M2 Sur L'amélioration de La Segmentation Les Nervures de Feuilles en Simulent Les Contraintes Biologiques

**Type de contrat**: Convention de stage

**Niveau de diplôme exigé**: Bac + 3 ou équivalent

**Fonction**: Stagiaire de la recherche

**A propos du centre ou de la direction fonctionnelle**:
L’Inria est l’Institut national de recherche en sciences du numérique, dont le centre Inria d’Université Côte d’Azur fait partie. Avec une forte expertise en informatique et mathématiques appliquées, les projets de recherche du centre Inria d’Université Côte d’Azur touchent toutes les dimensions des sciences et technologies du numérique, et génèrent de l’innovation. Implanté principalement à Sophia Antipolis, mais également à Nice ou Montpellier, il regroupe 47 équipes de recherche et neuf services d’appui. Il est présent dans les domaines de l’intelligence artificielle, la science des données, la sécurité des systèmes informatiques, la robotique, l’ingénierie de réseaux, la prévention des risques naturels, la transition écologique, la biologie numérique, les neurosciences computationnelles, les données de santéLe Centre Inria d’Université Côte d’Azur est un acteur majeur en termes d'excellence scientifique par les résultats obtenus et les collaborations tant au niveau européen qu'international.

**Contexte et atouts du poste**:
**Durée**: 6 mois

**Rémunération**: gratification d’environ 640€ par mois (dépend du nombre de jours travaillés par mois)

**Période possible pour le stage**: entre début février 2026 et fin octobre 2026

**Localisation du stage**: campus Saint-Priest de Montpellier dans l’équipe Iroko

**Encadrants**:

- Benjamin Bourel, chercheur en Deep Learning et en écologie à l’Inria dans l’équipe Iroko
- Jérôme Munzinger, chercheur en botanique et paléobotanique à l’UMR AMAP dans l’équipe SYSTE

**Contexte et motivations**: L’organisation des nervures dans la feuille joue un rôle fondamental pour les
plantes en influençant le transport de l’eau et des nutriments. Leur organisation est également un
marqueur morphologique essentiel pour l’identification taxonomique et l’étude des stratégies
écologiques des plantes (Boyce _et al._ 2009). La segmentation automatique de ces nervures est donc un
enjeu majeur. Bien que la segmentation automatisée par deep learning a permis des progrès vis-à-vis
des méthodes de classiques (_e.g._ seuillage), cette dernière reste difficile à mettre en place (Xu _et al._
2021). En effet, l’annotation manuelle pixel par pixel des nervures sur les données d’entrainements
demande beaucoup de temps et une forte expertise. Des avancées notables ont été réalisées avec le
few-shot learning via l’approche de Lagergren _et al._ (2023). Cette approche a permis de segmenter
efficacement les nervures de milliers de feuilles de Populus trichocarpa à partir de seulement huit
feuilles annotées. Le pipeline de Lagergren _et al._ (2023) est basé sur la croissance de régions
avec un Convolutional Neural Network (CNN) itératif. Il constitue aujourd’hui une référence, bien qu’il
soit limité à une seule espèce et ne prenne pas en compte explicitement les contraintes biologiques de
la croissance des nervures. Simuler explicitement ces contraintes biologiques dans le «Vein growing
CNN» de Lagergren _et al._ (2023) améliorerait la segmentation et la généralisation de la méthode.

**Références**:

- Lagergren, J., Pavicic, M., Chhetri, H.B., York, L.M., Hyatt, D., Kainer, D., et al. (2023). Few-Shot Learning Enables Population-Scale Analysis of Leaf Traits in _Populus trichocarpa_. _Plant Phenomics_, 5,

**Principales activités**:
**Objectifs du stage**: L’objectif est de repartir des données et codes de Lagergren et al. (2023) disponible
en libre accès (lien GitHub), afin d’enrichir leur pipeline par l’ajout de contraintes biologiques. Ceci pour

améliorer la segmentation des nervures et en faire une approche généraliste (non limité à une espèce).
Le travail suivra trois étapes principales:

- **Reproduction**: Installer et exécuter le pipeline de Lagergren et al. (2023) sur leurs données de
Populus trichocarpa, afin d’obtenir un point de comparaison clair.
- **Adaptation**: Modifier l’algorithme de croissance des nervures pour y inclure des contraintes
biologiques (e.g., orientation, courbure, conicité, degré des nœuds) et en évaluer l'impact sur la
segmentation des nervures de Populus trichocarpa.
- **Généralisation**: Appliquer le pipeline de base et la nouvelle version à des jeux de données
provenant d’autres espèces (e.g.scans d’herbiers, photo), afin de mesurer l’impact des contraintes
biologiques sur la robustesse interspécifique.

**Apports attendus**: (1) Un benchmark comparatif entre la méthode originale et la version contrainte.
(2) Des outils de segmentation plus biologiquement réalistes, capables de mieux capturer la hiérarchie
des nervures. (3) Une réflexion sur l’extension des approches few-shot à un cadre multiespèces

**Compétences**:
**Compétences obligatoires**
- maitrise de Linux
- bonne maitrise de Python
- solides bases en deep learning (PyTorch, TensorFlow ou équivalant)
- bonne c