Computer Vision Engineer | Data Scientist

Mission au sein de l'équipe de recherche du CNRS – LATMOS afin de concevoir et optimiser des modèles de Deep Learning pour l'observation de la Terre.

• Conception, entraînement, optimisation et évaluation de modèles de Deep Learning pour l'estimation des précipitations à partir d'observations satellitaires micro-ondes GPM-GMI.
• Mise en œuvre d'architectures U-Net et d'approches probabilistes basées sur le Conditional Flow Matching.
• Développement et livraison de code robuste, maintenable et documenté destiné à être intégré dans des pipelines d'inférence et de traitement de données en production.
• Accompagnement de stagiaires et d'alternants dans la formulation de leurs problématiques, le choix de méthodes de Machine Learning adaptées et la mise en œuvre de solutions.

Mission au sein du département R&D d'IDEMIA pour travailler sur l'optimisation des processus de sélection de données et de détection d'objets.

• Développement d'approches d'Active Learning pour la sélection de données appliquée à la détection d'objets.
• Réduction des temps d'entraînement de 50 à 75 % tout en maintenant les performances des modèles.
• Adaptation et optimisation de modèles YOLO dans le framework MMDetection pour différentes tâches de détection d'objets.
• Exploitation de Vision Transformers (ViT) pour le pruning et la sélection automatique des données d'entraînement.

Mission au sein du laboratoire SAMOVAR pour mener des travaux de recherche en vision par ordinateur et reconstruction d'images.

• Développement de modèles CNN pour la reconstruction haute résolution d'images par ptychographie de Fourier.
• Évaluation des modèles sur des données synthétiques et réelles.
• Modélisation des aberrations optiques et des incertitudes de mesure afin d'améliorer la qualité de reconstruction.