Offre

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. Au sein du Département des Sciences et Technologies du Numérique de Safran Tech (le centre de R&T du groupe), l’équipe Confiance, Autonomie, Simulation et Perception a en charge la conception algorithmique des briques d’autonomie et de vision artificielle pour les produits de SAFRAN. A ce titre, l’équipe travaille en particulier sur des solutions à base d’apprentissage profond (deep learning).
Dans le cadre des technologies développées pour la conduite autonome de véhicules militaires, les bases existantes de segmentation sémantique sont capturées soit dans des environnements hors route en conditions nominales [1], soit dans des conditions météorologiques difficiles en milieu urbain [2]. Pour la conduite autonome, les algorithmes de perception s’appuient majoritairement sur des modèles à base de réseau de neurones et requièrent donc une quantité de données importantes pour être entraîner correctement. Pour la segmentation sémantique, la phase d’annotation est coûteuse puisque chaque pixel doit être labélisé, ainsi qu’extrêmement fastidieuse et chronophage. Le déploiement de solutions de segmentation sémantique pour la conduite autonome exige pourtant que l’algorithme soit robuste aux écarts de distribution des données réelles du terrain pour garantir la sécurité.
Dans ce contexte, le stage portera sur le développement de méthodes d’adaptation de domaine non supervisée d’algorithmes de segmentation sémantique à des conditions météorologiques difficiles (brouillard, pluie, neige, nuit). L’adaptation de domaine non supervisée permet de s’affranchir de la nécessité d’annoter le domaine cible, ici les images en conditions météorologiques difficiles. Les méthodes récentes [3] ont permis de réduire drastiquement l’écart entre les modèles adaptés et les modèles supervisés, en particulier les Transformers s’avèrent être d’excellent candidat à l’adaptation. De plus, l’adaptation à des domaines adverses permet de régulariser le modèle pour les conditions nominales [2]. La méthodologie d’évaluation des méthodes d’adaptation et d’analyse des performances pourra s’inspirer des benchmarks de l’état de l’art.