Dans le cadre du projet ANR LIMPID (2021-2023) sur la robustesse, l’équité et l’explicabilité des systèmes de reconnaissance en vision par ordinateur, le postdoc rejoindra l’équipe S2A (Signal, Statistique et Apprentissage) au sein du département Image, Données, Signal de Télécom Paris (Palaiseau) qui travaille sur l’explicabilité des systèmes de classification, by design et post-hoc, par apprentissage de dictionnaires de caractéristiques de haut niveau. L’objectif du postdoc est de consolider et d’enrichir le cadre proposé FLINT* (Parekh et al. NeurIPS 2021) par l’équipe autour de l’apprentissage avec interpretation. On s’intéressera en premier lieu à développer des approches qui permettent d’imposer aux caractéristiques des a priori pertinents par rapport à une application donnée (reconnaissance d’objets) avec par exemple des applications en sécurité routière. En second lieu, on se focalisera sur l’interaction entre l’estimation de l’incertitude liée à une décision et l’explication. Le postdoc rejoindra un projet interdisciplinaire où le contexte légal et citoyen est pris en compte. La durée du postdoc proposé est de deux ans.

Profil: thèse en machine learning, deep learning, reconnaissance d’mages

Title: Improving Autonomous Vehicles perception using Transfer Learning and Vehicle-Infrastructure Cooperation strategies

Context: This PhD work is part of a research project named MultiTrans, that focuses on exploring novel TL approaches for autonomous vehicles scene semantic segmentation and detection accross 3 different environments (simulation, a robotic platform and a real-world autonomous shuttle test-bed). This scholarship is funded by the Agence Nationale de la Recherche (ANR) under grant reference ANR-21-CE23-0032.

Keywords: Autonomous driving, perception, cooperation, transfer learning, domain adaptation, multi-agent systems, simulation.

Objectives: The main objective of PhD work is to investigate and propose new perception algorithms for autonomous driving tasks that rely on transfer learning, frugal learning and cooperation mechanisms. The roadmap of the work will target the following objectives:

1. Review and study of recent advances in the fields of transfer learning (multi-source, multi-target domain adaptation and frugal learning), multi-agent cooperation.
2. Study and proposal of learning-based cooperative strategies for autonomous vehicles.
3. Review, choice, setup and testing of both simulation (large scale microscopic simulator) and real environment (small scale: autonomous shuttles test-bed).
4. Proposition and implementation of cooperative/collaborative transfer learning-based algorithms for autonomous vehicles.
5. Evaluation of developped strategies in both environments from several perspectives: high-level such as traffic flow stability, efficienty, safety and low-level as transfer frequency, sucess rate, sensibility to context changes, etc.
6. Scientific dissemination and research outreach in the form of research papers, demonstrations, video recordings of experiments and presentations to conferences and wider audience.

Expected contributions and research outreach : The work undertaken by the candidate should contribute and is not limited to:

• a better understanding of issues related to implementing autonomous driving relying on computer-vision based perception;
• experimental findings (simulation and/or real test-bed) on the benefits of communication/cooperation to autonomous traffic;
• insights on the use of transfer learning and cooperation (V2V/I2V) to improve autonomous vehicle perception and decision.

Qualification and skills: The successful candidate would

• be completing or have completed a MSc/Master degree (or Engineering degree) in Computer Science/Computer Vision/Robotics with a specialization/interest in AI- and/or machine learning-based techniques;
• have strong English and/or French writing and oral communication skills.

• intelligent transportation systems, connected and automated vehicles,
• techniques such as deep learning, reinforcement learning, transfer learning, multi-agent systems,
• vehicular simulation and/or robotics environments.

Facilites : The candidate will be allowed to access to different experimental platforms to carry out the work:

• a robotic platform featuring different robot cars equipped with state-of-the-art perception sensors;
• an autonomous shuttle test-bed with equipped infrastructure;

Supervision : Maxime Guériau, Samia Ainouz, Stéphane Canu

Titre de la thèse : Fusion multimodale adaptative pour l’aide à la navigation du véhicule intelligent en conditions météorologiques dégradées

Contexte : Ce sujet de thèse s’inscrit dans les thématiques de recherche de l’équipe Systèmes de Transport Intelligents (STI) du laboratoire LITIS autour de l’analyse de scènes routières pour l’aide à la conduite. Ces recherches visent particulièrement à développer des méthodes de perception dans des conditions météorologiques dégradées (pluie, brouillard, …). Cette thèse a pour but de proposer une continuité des travaux de l’équipe autour de l’imagerie polarimétrique pour la détection d’objets avec une approche de fusion multimodale visant à améliorer les performances des algorithmes de détection.

Mots-clés : Fusion de données, analyse de scènes, perception, imprécision, incertitude, fonctions de croyance.

Objectifs de la thèse : L’objectif de cette thèse est d’intégrer l’incertitude et la fiabilité de chaque capteur dans le processus de détection dynamique des objets, en particulier dans des conditions météorologiques défavorables. L’idée principale est de gérer la non-durabilité et l’incohérence des performances d’un capteur dans différentes conditions et d’adapter la source de données principale en fonction de son degré de confiance basé sur une évaluation expérimentale prédéfinie. L’objectif est de proposer une solution technologique et algorithmique pour appréhender les problèmes de visibilité et augmenter la fiabilité de l’instrumentation basée sur un processus de sélection dynamique et adaptative de la source d’information.
D’un point de vue technologique, l’utilisation de caméras polarimétriques et RGB, d’un LiDAR et d’un RADAR offrira un ensemble robuste de données dans plusieurs conditions météorologiques. L’inclusion de ces capteurs permettra de prendre en compte les caractéristiques optiques des objets fournies par les caméras RGB en conditions de visibilité normale et la possibilité de détecter les propriétés géométriques des objets perçus dans des conditions météorologiques défavorables par les caméras polarimétriques. Le LiDAR permettra d’indiquer les données de profondeur et d’améliorer le schéma de perception grâce à sa haute résolution et sa portée.
D’un point de vue algorithmique, l’idée principale est de définir une approche qui prend en compte l’imprécision et la durabilité de ces capteurs pour chaque condition donnée. Il est également nécessaire de définir un schéma de fusion qui met en évidence la complémentarité de ces sources d’information hétérogènes et d’indiquer la présence de défaillance en fonction du conflit résultant.
L’objectif principal de cette thèse est de paramétrer la multi-modalité en fonction de l’incertitude quantifiée liée à chaque capteur selon le degré de visibilité dans un scénario donné.

Profil recherché :

• Thèse de doctorat en Informatique ou en Automatique (Section 27/61)
• Compétences en robotique mobile
• Algorithmique et programmation dans les langages Python, C/C++, Matlab,
• Connaissance de l’environnement ROS

Encadrement :

• Directrice : Samia Ainouz, LITIS — UR 4108 (samia.ainouz@insa-rouen.fr)
• Encadrante : Hind Laghmara, LITIS — UR 4108 (hind.laghmara@insa-rouen.fr)

Laboratoire : Laboratoire d’Informatique de Traitement de l’Information et des Systèmes
Équipe : Systèmes de transport intelligent
Établissement : INSA Rouen Normandie

Expected starting date: May / Juin 2022 (6 months)

Key-words. Deep learning; Graph neural networks; Optimal Transport; Wasserstein distance; Gromov- Wasserstein distance

Research environment/Location. The research will take place within the LMAC laboratory located at Compi`egne, France. The internship will be supervised by Mokhtar Z. Alaya (LMAC – UTC) and Muhammet Balcilar (InterDigital, Rennes).

Candidate profile. Candidates are expected to be graduated in computer science and/or machine learn- ing and/or signal image processing and/or applied mathematics/statistics, and show an excellent academic. The internship subject requires skills Python development tools, specially TensorFlow or Pytorch.

For more details. Feel free to contact by sending an email to Mokhtar Z. Alaya (elmokhtar.alaya@utc.fr) and to Muhammet Balcilar (muhammetbalcilar@gmail.com)

PhD proposal in Computer Science, main research fields: information science, information retrieval and access, natural language processing

Keywords: language generation, data-to-text, machine learning, deep learning

This position is proposed in collaboration between the ISIR laboratory (Sorbonne Université, Paris), the IRIT laboratory (Toulouse) and the Ecovadis company with a CIFRE contact.

Context: The perspective of new information retrieval (IR) systems (e.g., search-oriented conversational systems or systems supporting complex search tasks) has fostered research on theoretical IR models either leveraging or supporting users’ interactions, for instance, through question clarification or interactive ranking models. However, very few works focus on the way of interacting with the user in natural language, which is critical for instance for conversational systems.

Interviews will be conducted as they arise and the position will be filled as soon as possible.

Détails : https://bit.ly/3KFtEWw

Le Mans University opens a Tenure track position in Multimodal language processin. The candidate will integrate in the LST research team of the LIUM, his/her teaching activities will take place within the Master of Computer Sciences and Artificial Intelligence from Le Mans University.

Chaire professeur junior en traitement du langage multimodal (Multimodal language processing)

L’objectif principal est de développer une IA de traitement du langage multimodale et multilingue qui repose sur un espace de représentation commun pour les modalités parole et texte dans différentes langues. Le ou la candidat.e devra développer ses activités de recherche dans l’équipe LST du LIUM afin de renforcer le caractère transverse de ces représentations à travers une combinaison pertinente de modalités (par ex. : vidéo et texte ou texte et parole), de tâches (par ex. : caractérisation du locuteur et synthèse de la parole, compréhension de la parole et traduction automatique, reconnaissance de la parole et synthèse de résumé automatique) et de langues. Ses travaux de recherche tendront à développer des systèmes automatiques intégrant l’humain au cœur du traitement en utilisant des approches d’apprentissage actif et en explorant les problématiques d’expliquabilité et d’interpretabilité afin de permettre à l’utilisateur naïf d’enseigner au système automatique ou d’en extraire des éléments compréhensibles. Ce projet visera également le renforcement de collaborations existantes (Facebook, Orange, Airbus) ou la création de nouveaux partenariats (Oracle, HuggingFace…).

The research project should take place in the LST team goal that aims at developping a multimodal and multilingual representation space for speech and text modalities. The Junior Professor is expected to develop his/her own research diretions between the topics already existing in the LST team and to develop hybrid approaches by mixing for instance speaker characterization and speech synthesis or speech translation and speech understanding. He/She should also integrate the strategy of the team to involve the human in the loop for deep learning systems and work towards a better explainability/interpretability of speech processing algorithms.

Projet d’enseignement / Description of the teaching project

Le ou la candidat.e intégrera l’équipe pédagogique du Master en intelligence artificielle du département d’informatique de l’UFR Sciences et Techniques de l’Université  du Mans. Son implication aura pour but de renforcer les compétences en apprentissage profond (apprentissage auto-supervisé, GANs, Transfomer, méthodologies et protocoles pour l’IA…) mais également dans les infrastructures dédiées à l’apprentissage automatique et aux sciences des données (calcul distribué, SLURM, MPI), l’utilisation d’un cluster de calcul (ssh, temux, jupyter-lab, conda) ou le cloud computing. Fort de compétences reconnues en traitement automatique du langage et de la parole l’équipe pédagogique souhaite élargir son offre de formation en adaptant les contenus à d’autres types de données (images, séquences temporelles générées par différents types de capteurs, graphes…) afin de répondre aux besoins spécifiques du tissu industriel local et régional en apprentissage automatique. Cette action s’inscrira dans la volonté de l’équipe pédagogique de développer l’apprentissage et la formation continue en lien avec les partenaires industriels mais également à destination d’un public académique de chercheurs et enseignant chercheurs non-informaticiens souhaitant développer des compétences en apprentissage automatique.

Teaching activities will take place within the Master of Computer Sciences and Artificial Intelligence