Research Development Engineer

A intégré une équipe de R&D dédiée à la capture et au traitement de contenu vidéo volumétrique immersif pour applications créatives et industrielles.

• A conçu et optimisé des pipelines de deep learning en temps réel pour la capture vidéo volumétrique sur GPU embarqué, réduisant la latence d'inférence.
• A développé des pipelines d'acquisition volumétrique utilisant 9 à 11 capteurs de profondeur connectés à des devices GPU embarqués pour collecter des données couleur/profondeur multi-perspectives.
• A travaillé avec des flux vidéo multi-vue haute bande passante, en optimisant les pipelines de données et les stratégies de compression pour la transmission en temps réel.
• A investigué l'encodage et le streaming efficace de données RGB-D pour des systèmes multi-caméras sous contraintes de bande passante.
• A développé des pipelines d'alignement spatial multimodal pour la fusion 3D multi-capteurs, avec expérience en reconstruction volumétrique et structures de données 3D (applicable à la co-registration d'imagerie médicale multimodale).
• A collaboré sur un projet international focalisé sur la capture et le rendu en temps réel de contenu 3D immersif.

A conduit sa recherche doctorale au sein d'une équipe spécialisée en sécurité multimédia, focalisée sur le traitement vidéo robuste et l'évaluation quantitative de modèles sous dégradation réelle.

• A conçu des algorithmes robustes de traitement vidéo en domaine compressé, en se concentrant sur le watermarking et la résilience aux réencodages (pipelines vidéo standards).
• A développé des frameworks d'évaluation quantitative pour la validation de modèles sous dégradation réelle de signaux, utilisant des métriques de robustesse et distorsion transférables aux pipelines d'imagerie clinique.
• A construit des modèles de deep learning généralisables avec des tests systématiques de robustesse, méthodologie directement applicable à la segmentation d'images médicales sous variabilité d'acquisition.
• A proposé une approche de watermarking vidéo utilisant des transformées ondelettes combinées à des codes de fingerprinting probabilistes pour la résistance aux attaques.
• A développé un framework de watermarking joint combinant techniques de spreading et encodage convolutionnel pour une robustesse améliorée.

A réalisé un stage de recherche centré sur la conception et l'évaluation de modèles CNN pour l'évaluation de la qualité d'image.

• A conçu et entraîné des modèles CNN pour l'évaluation de la qualité d'image, en intégrant le transfer learning et l'optimisation pour le déploiement sur edge.
• A développé des frameworks d'évaluation utilisant des métriques subjectives et objectives de qualité visuelle, démontrant la capacité à valider des modèles IA en scénarios réels.