Stage - Semi-supervisé Apppliqué à La Vision Par

Chez ST, nous croyons à la puissance de la technologie pour stimuler l'innovation et avoir un impact positif sur les personnes, les entreprises et la société. Nous sommes une entreprise mondiale de semi-conducteurs, et notre technologie avancée ainsi que nos puces constituent la partie invisible du monde dans lequel nous vivons aujourd'hui.

Lorsque vous rejoignez ST, vous faites partie d'une entreprise globale de plus de 115 nationalités et présente dans 40 pays, avec plus de 50 000 créateurs et fabricants de technologies microélectroniques à travers le monde Tous ensemble, nous formons une seule et même ST.

ST a reçu la certification Top Employer France et le label HappyTrainees 2024 qui nous reconnaissent en tant qu’employeur de référence et démontrent notre engagement à placer l’humain au cœur de nos priorités.

**Introduction à l’apprentissage semi-supervisé**

L’annotation de données est une étape très importante puisqu’elle influe sur les performances du réseau. Cependant, cette étape est longue et laborieuse, souvent réalisé par des êtres humains, ce qui peut entrainer l’apparition d’erreurs ou de biais dans la base de données.

C’est pourquoi une nouvelle technique d’apprentissage a émergé avec pour but de limiter au maximum la quantité de données à annoter : l’apprentissage semi-supervisé. Cette technique consiste à utiliser lors de la phase d’apprentissage une petite quantité de données annotées et une autre quantité, plus importante, de données qui ne sont pas annotées. Les données annotées sont utilisées de la même façon que pendant un apprentissage supervisé. Mais pour les données non annotées, il est impossible de directement calculer l’erreur du réseau de neurones. Ainsi différentes méthodes ont été proposées afin de pouvoir calculer cette erreur, tel que _CutMix _ou _FixMatch _, et réaliser l’apprentissage. De nouvelles méthodes continuent d’apparaitre avec pour but de réduire le plus possible l’écart entre les performances d’un réseau de neurones utilisant l’apprentissage semi-supervisé et celles d’un réseau utilisant l’apprentissage supervisé.

**Avantage de l’apprentissage semi-supervisé**

L’avantage principal est de limiter la quantité de données à annoter. Réduire, voire éviter, la phase d’annotation permet de réduire le temps nécessaire à la construction d’une base de données.

Pour STMicroelectronics, et plus particulièrement la division Imaging où le stage se déroule, la capture de données provenant de nos capteurs optiques nous permet aussi d’adapter le réseau de neurones à la plateforme utilisée. Ainsi, l’entrainement utilisera une base de données comprenant des images annotées et des images provenant de nos capteurs qui ne sont pas annotées.

**Missions**

Le stage se concentrera sur l’étude de l’état de l’art de l’apprentissage semi-supervisée. Les missions seront les suivantes:

- Vous identifierez parmi différentes publications scientifiques présélectionnées les méthodes qui vous semblent les plus pertinentes.
- Vous implémenterez les différentes méthodes retenues en utilisant python et un Framework d’apprentissage profond. Vous concevrez aussi le benchmark en vue de leur évaluation.

**Résultats attendus**

Au travers de l’étude de l’apprentissage semi-supervisée, le stage vise à:

- Comparer les performances entre l’apprentissage supervisé et l’apprentissage semi-supervisé.
- Estimer la proportion de données annotés/non-annotés nécessaire à l’obtention de bonnes performances, dans le cadre de différentes tâches de vision par ordinateur.

**Votre profil**

Vous avez des compétences _théoriques et pratiques _en machine learning.

Vous êtes à l’aise avec Python et vous avez déjà utilisé un framework de deep learning (Tensorflow, Pytorch).

Des connaissances en vision par ordinateur et un intérêt pour les systèmes embarqués seraient un plus.

Nous rejoindre, c'est aussi opter pour un meilleur équilibre entre vie professionnelle et vie personnelle, et un environnement de travail offrant des opportunités égales. Des groupes de ressources dédiés aux femmes, aux LGBTQIA+, des possibilités d’organisation du travail hybrides font partie des nombreuses initiatives qui font de ST un endroit propice pour le développement de votre carrière.