Stage de Fin D'études

Vous intégrez notre département R&D composé de chercheurs et d'ingénieurs travaillant sur l’usage de l’information géospatiale, notamment pour la génération de carte haute définition (HDmaps) à destination des véhicules autonomes (AV).

L'objectif de ces HDMaps est de fournir aux AV une carte de l'environnement statique d'une précision centimétrique. L'analyse des routes pour la génération de ces cartes HD est une tâche vaste et difficile. Elle comprend l'évaluation de l'état des routes, la segmentation des marquages routiers, la détection des panneaux de signalisation... Pour fournir de telles HDMaps, nous pouvons nous appuyer sur plusieurs sources de données, des nuages de points aux images, ainsi que sur plusieurs modèles. Des modèles supervisés basés sur l'apprentissage profond (Resnet, Unet, DeepLabV3+) ont été développés pour résoudre une partie de ces problèmes. Ces approches sont réentraînées en fonction du cas d'utilisation, ce qui nécessite un grand jeu de données annotées.

Chez GEOSAT, nous maîtrisons l'ensemble du processus de traitement des données, de l'acquisition à la livraison du produit final. Nous disposons donc d'une grande quantité de données, mais toutes les données ne se valent pas. Nous avons besoin que seuls les échantillons les plus informatifs soient annotés afin d’apporter meilleure robustesse et performance à nos modèles. C'est là que l'apprentissage actif (AA) ou active learning (AL) entre en action et que vous pouvez venir nous aider à tirer le meilleur parti de nos modèles en utilisant le moins d'échantillons possible
- **Votre première mission sera de vous familiariser avec l'équipe R&D, les outils, les données et les défis. Les missions qui vous seront ensuite confiées sont les suivantes**:_
- Effectuer une revue de la littérature pour identifier les stratégies, les métriques et les jeux de données de l’état de l’art en matière d'apprentissage actif.
- Se concentrer sur un modèle donné, identifier les défis à surmonter avec l’AA.
- Choisir des stratégies d'AA à évaluer sur notre propre jeu de données ainsi que sur un jeu de données public.
- Proposer une nouvelle stratégie.
- Mesurer l'impact de l'apprentissage actif sur nos modèles.
- Évaluer la possibilité de transférer la stratégie AL à un autre type de données.
- **Le profil que nous recherchons**:_
- Vous êtes de formation ingénieur et êtes familier des techniques de machine et deep learning sur données de type 2D/3D.
- Vous maîtrisez **Python, GitLab** et possédez des connaissances en **intégration continue**.
- Vous êtes à l'aise en Anglais (lu et écrit).
- Capacités d’adaptation, curiosité, rigueur et motivation font partie de vos atouts.

La connaissance de frameworks de machine learning **(Tensorflow, Keras, Pytorch)**, de librairies de traitement d'image/ signal **(opency, sklearn,scikit)** ou de données 3D/nuages de points **(open3D, pytorch3D)** est fortement appréciée.

**A propos de nous**
- Leader du secteur de la cartographie et de la topographie, GEOSAT n’a cessé de croître depuis 20 ans _
- Groupe de plus de 500 salariés, nous intervenons sur diverses activités autour de la modélisation 3D/BIM, la détection de réseaux, la cartographie mobile, la topographie ainsi que le foncier._
- Vous avez soif d’aventures, de nouveaux challenges et d’innovation ? Mais vous voulez aussi trouver un cadre de travail agréable,:

- ) GEOSAT est fait pour vous _
- Nos valeurs communes : Sécurité, satisfaction client, création de valeurs, innovation._
- Geosat base son dynamisme sur les femmes et les hommes qui la composent. Notre priorité est axée sur votre développement de compétences._
- Nous disposons d’un parc matériel de très haute technologie sans équivalent afin de répondre au mieux aux demandes clients._
- Nous sommes également fiers d’avoir obtenu la certification ISO9001, reflet de l’engagement de nos collaborateurs _

Type d'emploi : Temps plein, Stage
Durée du contrat : 6 mois

Programmation:

- Du Lundi au Vendredi
- Périodes de travail de 8 heures
- Travail en journée

Lieu du poste : Un seul lieu de travail