Geometric deep learning has emerged in the fields of computer graphics and computer vision, enabling deep learning models to operate on geometric data such as graphs, meshes, manifolds, and point clouds. Some notable models in this area include Graph Convolutional Networks (GCNs), PointNet, Geodesic Neural Networks (GNNs), and specialized architectures…
Trained on a large-scale dataset, similar to other vision foundation models, Segment Anything Model (SAM) can generate fine-grained masks given manually defined visual prompts. Despite its remarkable success, however, it does not easily generalize to the segmentation of flexible objects like garments, since unlike the majority of objects, garments depict…
Geometric deep learning has emerged in the fields of computer graphics and computer vision, enabling deep learning models to operate on geometric data such as graphs, meshes, manifolds, and point clouds. Some notable models in this area include Graph Convolutional Networks (GCNs), PointNet, Geodesic Neural Networks (GNNs), and specialized architectures…
PhD position We are looking for a highly motivated PhD student to join our team project working at the intersection of Explainable Artificial Intelligence (XAI) and weather forecasting. The ideal candidate will have a strong theoretical and practical background in neural networks and experience in either numerical simulation or remote…
Stage M Context and Motivations: Text generation using Large Language Models (LLMs) has become a powerful tool in natural language processing, leveraging vast datasets to produce human-like text across various domains. LLMs like GPT-3, LLaMA, and BLOOM have been trained on enormous corpora of text data, enabling them to generate…
Contact : marc-emmanuel.bellemare@lis-lab.fr Nous proposons un stage dont l’objectif est de proposer une nouvelle architecture de réseau profond adapté à la segmentation simultannée de plusieurs plans IRM correspondants à une séquence spécifique développée dans le cadre d’un projet de recherche avec l’APHM. Contexte : Les troubles de la statique…
Proposition de stage de Master2 – PFE Ingénieur Encadrants : Marc-Emmanuel Bellemare et Jorge Ramos Rodriguez Contact : marc-emmanuel.bellemare@lis-lab.fr Le ConText-GAN pour la génération d’images de microscopie électronique : Augmentation de données par réseau de neurones profond. Mots-clés : IA ; Réseaux profonds ; microscopie électronique ; endocardite infectieuse.Domaines de…
Encadrants : – Zied Bouyahya (zied.bouyahya@ec-lyon.fr), Centrale Lyon, LIRIS (CNRS UMR 5205). – Léo Schneider (leo.schneider@etu.ec-lyon.fr), Centrale Lyon, LIRIS et ISA (CNRS UMR 5280). Date butoir pour candidater : 1er décembre 2024. Version en ligne du sujet : disponible sur la page https://liris.cnrs.fr/emplois/offres-de-stage Contexte Ce projet est plus particulièrement lié…
Dans le cadre de nos activités sur l’optimisation des liens de communication acoustiques sous-marins, nous recrutons un ingénieur R&D en communications numériques (CDD 12 mois). Détails de l’offre : institutminestelecom.recruitee.com/o/inge-r-d-en-communications-numeriques-cdd-12-mois Les missions impliquant une participation à l’exercice de prérogatives de puissance publique, notamment en matière de défense nationale, le profil…
Sujet Master/TFE 2024-2025 Caractérisation de l’hydrophobie des surfaces par traitement d’images SEM et plan d’expériences Encadrants : Alexandre Saidi (alexandre.saidi@ec-lyon.fr), Stéphane Derrode (stephane.derrode@ec-lyon.fr), Centrale Lyon, laboratoire LIRIS (CNRS UMR 5205, https://liris.cnrs.fr). Date butoir pour candidater : vendredi 1er décembre 2024. Version en ligne du sujet : https://liris.cnrs.fr/emploi/caracterisation-lhydrophobie-surfaces-par-traitement-dimages-sem-et-plan-dexperiences Contexte La…
