Title: ImaginEcology@Alpes : image, écologie et machine learning pour l'étude de la faune sauvage des Alpes
Date: 2021-11-15 16:29
Slug: job_823608d9a398362b3f8cfad7d2684749
Category: job
Authors: Vincent Miele
Email: vincent.miele@univ-lyon1.fr
Job_Type: Stage
Tags: stage
Template: job_offer
Job_Location: Villeurbanne ou Chambéry ou Grenoble (à definir)
Job_Duration: 5 à 6 mois
Job_Website:
Job_Employer: CNRS
Expiration_Date: 2022-02-15
Attachment:
@ Missions du/de la stagiaire
Depuis plusieurs années, de nombreux acteurs de l'étude de la faune sauvage (parcs et réserves naturelles, office français de la biodiversité, chercheur.ses) ont installés des centaines de "pièges photographiques" en France, boitiers à déclenchement automatique qui sont censés photographier les animaux durant leur passage. En particulier, des dizaines de ses appareils ont été installés dans le cadre de l'observatoire ORCHAMP de la Zône Atelier Alpes, pilotée par W.Thuiller (co-encadrant). Ces matériels produisent une "avalanche" de données photographiques qu'il faut trier a posteriori : trier les images vides et identifier les espèces.
Dans le même temps, une équipe CNRS incluant des membres du LECA et du LBBE et pilotée par V.Miele (co-encadrant), s'est mobilisée pour proposer une application de vision par ordinateur qui permettrait l'identification automatique des espèces de la faune sauvage française dans les images issues de pièges photos. Ce projet fait écho au projet PlantNet de nos collègues, mais cette fois-ci pour la faune.
Les dernières techniques de deep learning sont appliquées, à partir d'une banque de données de plus de 500 000 images annotées de la faune française (renard, loup, cerf, chamois,...). Un prototype d'application Tensorflow-Keras/Python est d'ores et déjà en phase de test. Cependant, la mise au point de la chaîne de traitement des images de l'observatoire ORCHAMP reste à mettre en œuvre, avec pour objectif la capacité à analyser end-to-end les centaines de milliers d'images de la faune arrivant en flux régulier depuis le terrain.
Le/la stagiaire s'attachera à traiter plus précisément les problématiques suivantes:
- contribuer à l'amélioration des modèles de réseaux de neurones convolutifs (utilisation de GPU sur calculateurs régionaux/nationaux) avec des propositions méthodologiques et de nouvelles images récoltées au fil du stage;
- évaluer continuellement les performances des modèles sur les nouvelles images;
- confronter les alternatives de détection d'objet vis à vis de la simple classification;
- contribuer à l'élaboration d'une chaîne de traitement "du piège photo à l'identification puis la diffusion" qui permettra la reproductibilité des analyses et la mise à disposition des résultats, en suivant les principes de la Science Ouverte (principes FAIR)
Une sortie "terrain" en montagne pour l'installation ou la maintenance des pièges photographiques peut être envisagée si l'étudiant.e s'avère intéressé.e par cet aspect.
@ Profil recherché
L'étudiant/e devra présenter de fortes compétences en machine learning pour la vision par ordinateur, en programmation Python et maîtriser parfaitement les environnements Linux.
Un intérêt pour les questions de biodiversité serait un plus (le stage permet en effet de découvrir de nombreuses problématiques relatives à la conservation de la faune sauvage en France).
@ Contact/ Envoi des candidatures
Pour toute question ou demande de complément, n'hésitez pas à contacter
Vincent Miele <vincent.miele@univ-lyon1.fr>
@ References
Images, écologie et deep learning, par V. Miele, S. Dray et O. Gimenez