Deep Learning appliqué à la reconnaissance du mode de transport
Référence | 3386211 |
Domaine scientifique | Electronique - Electricité |
Spécialité | Traitement du signal |
Moyens | |
Compétences Informatiques | |
Mots clés | Deep Learning, Machine Learning, Neural Network, Convolutional Neural Network |
Durée du stage | 6 mois |
Lieu | Grenoble |
Localisation | Région Rhône-Alpes (38) |
Formation | Ingénieur/Master |
Niveau d'étude | Bac + 5 |
Thèse possible | 1 |
Date de diffusion | |
Description du stage | "Le Deep Learning est une technique de Machine Learning qui a récemment (2012) obtenu des résultats impressionnants en reconnaissance d'images. Elle est désormais utilisée de façon industrielle par Google et Facebook. L'objectif de ce stage est d'étudier si cette approche est adaptée à une problématique de classification à partir de signaux temporels provenant de différents capteurs. En effet, le laboratoire DRT/LETI/DSYS/SSCE/LSSC, au sein duquel se déroule le stage, est - spécialisé dans le traitement de signaux capteurs de différents type (accéléromètre, magnétomètre, gyromètre, GPS, Audio, rythme cardiaque...) - et s’intéresse à des applications de reconnaissance comme la classification du mode de transport à partir des capteurs embarqués dans un smartphone ou bien la reconnaissance des émotions (ex. stress) à partir de capteurs physiologiques dédiés. Le plan de travail du stage sera le suivant:- Etude bibliographique du Deep Learning. L'objectif est de bien comprendre la méthode, ses principes et hypothèses ainsi que les outils informatiques disponibles pour une mise en oeuvre concrète.- Mise en oeuvre concrète sur une problématique de signaux temporels multi-capteurs à partir d'une base de données publique. L’intérêt d'une telle base est de pouvoir comparer les performances de reconnaissance obtenues pendant le stage à celles obtenues dans différentes publications utilisant cette même base. On pourra par exemple utiliser la base OPPORTUNITY (cf. http://www.opportunity-project.eu/) qui s’intéresse à une problématique de HAR ('human activity recognition') à partir de plusieurs accéléromètres.- Si les résultats s'avèrent encourageants, on mettra en œuvre cette technique sur une problématique du laboratoire (par ex, la reconnaissance du mode de transport) pour laquelle on dispose d'une base de données construite en interne. Les pré-requis sont- une 1ère expérience de techniques classiques de Machine Learning: (arbre de décision, SVM, réseau de neurones,...)- des connaissances en langage informatique (matlab, C/C++, Java, la connaissance du langage 'Python' serait un plus) et en environnement de programmation (Eclipse, Theano,...)- une bonne capacité d'abstraction. Ce stage peut se prolonger par une thèse. " |
Email tuteur | andrea.vassilev@cea.fr |