Ce projet se concentre sur l’utilisation des techniques de vision par ordinateur et d’apprentissage automatique pour la calibration d’un capteur de concentration de CO2, dans l’objectif d’estimer le nombre de personnes dans un espace fermé à partir de cette dernière information uniquement. La transformation des données en information se fera au niveau du nœud (near sensor computing) afin de réduire le volume transmis.
Les objectifs sont :
a) Développer un modèle d’IA embarquée pour l’estimation de la densité de personnes dans un espace.
b) Interface avec l’application d’estimation de densité de personnes à partir de capteurs de CO2, adaptée aux salles de réunion.
c) Mettre en œuvre deux approches embarquées : une basée sur l’analyse du signal et un modèle physique de l’évolution du CO2, et une autre sur des méthodes d’apprentissage automatique.
d) Garantir une communication optimisée du nœud uniquement lorsque cela est pertinent.
Pour l’estimation basée sur l’apprentissage automatique de la densité de personnes, nous utiliserons, dans un premier temps, des modelés reconnus pour leurs performances en calcul et précision (Ex. YOLO). Nous déploierons l’algorithme sur des dispositifs périphériques (Edge devices). Nous définirons par la suite une version compacte adaptée aux dispositifs embarqués. Nous nous inspirerons pour ce travail d’une version encore plus réduite, appelée Tinier-YOLO, issue de Tiny-YOLO-V4, afin de réduire davantage la taille du modèle tout en améliorant la précision de détection et les performances en temps réel.
La détection d’objets sur dispositifs périphériques (edge devices) est cruciale pour de nombreuses applications réelles, telles que les voitures autonomes, les systèmes avancés d’assistance au conducteur (ADAS) et l’analyse du comportement des conducteurs. Bien que l’apprentissage profond (DL) soit devenu la méthode de référence pour la détection d’objets, les ressources informatiques limitées des dispositifs embarqués et la grande taille des modèles actuels compliquent la détection en temps réel sur ces dispositifs
Dans ce travail, nous nous concentrerons sur la réalisation d’une détection d’objets précise et rapide sur des dispositifs de périphérie dans le contexte du comptage de personnes dans une pièce. Pour atteindre cet objectif, une approche appropriée consiste à construire des réseaux légers basés sur des détecteurs d’objets à une étape, tels que YOLO-V4-Tiny.
Cela s’explique par le fait que les détecteurs d’objets à une étape offrent un bon équilibre entre précision et efficacité, obtenant des résultats légèrement inférieurs à ceux des détecteurs à deux étapes, mais étant significativement plus rapides. Les versions allégées visent à réduire le nombre de paramètres et la complexité des calculs du réseau afin que les détecteurs d’objets puissent être bien adaptés aux dispositifs de périphérie.
Cependant, bien qu’elles permettent d’obtenir des détecteurs plus petits et plus rapides, la précision diminue considérablement. Par exemple, comparé à YOLO-v4, YOLOv4-Tiny est 5 fois plus rapide en inférence, mais présente une diminution de 15 % du mAP lors de l’évaluation sur le jeu de données COCO. YOLO est l’une des approches de détection d’objets basées sur le DL les plus performantes en termes de vitesse et de précision, et Tiny-YOLO-V4 en est la dernière variante avec un modèle compact adapté aux dispositifs embarqués.
Profil
Une expérience dans un ou plusieurs des domaines suivants est un plus :
- traitement d’images, vision par ordinateur ;
- apprentissage automatique ;
- IOT
- méthodologie de recherche (revue de littérature, expérimentation…).
Les candidats doivent avoir les compétences suivantes :
- rédaction scientifique ;
- programmation (une expérience en Python, C++ est un plus, mais pas obligatoire).
Candidature
Veuillez envoyer les éléments suivants dans un seul fichier PDF aux principaux contacts ayant pour sujet [CO2] :
- Une lettre de motivation.
- Un curriculum vitae, incluant une liste de publications, le cas échéant.
- Les coordonnées de deux références (et d’éventuelles lettres de soutien, si disponibles).
Contexte du projet
Le groupe de recherche FOX fait partie du laboratoire CRIStAL (Université de Lille, CNRS), situé à Lille, en France. Nous nous concentrons sur l’analyse vidéo pour la compréhension du comportement humain. Plus précisément, nous développons des modèles spatio-temporels de mouvements pour des tâches telles que la détection d’événements anormaux, la reconnaissance des émotions et l’alignement des visages.
Nous sommes également impliqués dans l’IRCICA (CNRS), un institut de recherche qui promeut la recherche multidisciplinaire. À l’IRCICA, nous collaborons avec des informaticiens et des experts en ingénierie électronique pour créer de nouveaux modèles de réseaux de neurones qui peuvent être implémentés sur des architectures matérielles à faible consommation.
Récemment, nous avons conçu des modèles de pointe pour la reconnaissance d’images avec des réseaux de neurones à picots non supervisés à une ou plusieurs couches. Nous avons été parmi les premiers à appliquer avec succès des SNN non supervisés sur des ensembles de données modernes de vision par ordinateur. Nous avons également développé notre propre simulateur de SNN pour soutenir les expériences avec SNN sur les problèmes de vision par ordinateur. Nos travaux sont publiés dans des revues majeures (Pattern Recognition, IEEE Trans. on Affective Computing) et des conférences (NeurIPS, WACV, IJCNN) dans le domaine.
Le poste est situé à Lille, en France. Avec plus de 110 000 étudiants, la métropole lilloise est l’une des premières villes étudiantes de France. Le Collège Doctoral Européen Lille Nord-Pas de Calais est implanté à Lille Métropole et regroupe 3 000 doctorants encadrés par des laboratoires de recherche universitaire. Lille bénéficie d’une situation géographique privilégiée sur le réseau ferroviaire européen à grande vitesse. Elle est desservie par la ligne Eurostar en direction de Londres (trajet de 1h20). Le réseau TGV français la place également à seulement 1 heure de Paris, 35 mn de Bruxelles et à quelques minutes d’autres grandes métropoles françaises comme Paris, Marseille et Lyon.
