Avec plus de 15 000 étudiants, une offre de formation pluridisciplinaire riche d’une centaine de diplômes nationaux et des laboratoires de qualité qui la font apparaître dans le classement de Shanghai, l'université Savoie Mont Blanc, membre de l’alliance européenne UNITA, est un établissement à taille humaine qui conjugue la recherche et la professionnalisation, la proximité avec ses territoires et une large ouverture sur le monde.
Sur ses trois campus d’Annecy, du Bourget-du-Lac et de Jacob-Bellecombette, elle propose différents cursus courts et longs (Diplômes d’université, Bachelors universitaires de technologie, Licences, Masters, Doctorats, Diplômes d'ingénieurs) que ce soit en formation initiale ou continue, en alternance ou via diverses validations, en présentiel ou à distance.
Entre Genève, Turin, Lyon et Grenoble, aux frontières de la Suisse et de l'Italie, avec le concours des collectivités qui l’ont vu naître et des entreprises qui l’accompagnent, elle est un acteur majeur du dynamique écosystème national et transfrontalier, fortement impliqué dans son développement économique, social et culturel.
Le Laboratoire d’Informatique, Systèmes, Traitement de l’Information et de la Connaissance (LISTIC) est une Unité de Recherche (UR) dont le projet scientifique se concentre sur l’apprentissage automatique et la fusion d’information ainsi que sur les réseaux et les systèmes. Ses travaux portent sur la modélisation, la spécification et le développement de théories, d’algorithmes et de systèmes pour extraire et gérer les connaissances, notamment dans les domaines de l’observation de la Terre et du comportement humain.
Ref Emploi : LISTICRESIL2
Affectation : Laboratoire LISTIC (composante d’affectation : Polytech Annecy-Chambéry) - 5 Chemin de Bellevue - 74940 Annecy
I. Description du projet et activités de recherche associées
Le projet RESIL-AV s'inscrit dans une démarche visant à améliorer la détection d'avalanches grâce à des techniques avancées d'Intelligence Artificielle (IA). Les travaux préliminaires réalisés sur le site de Bessans, dans la Haute-Maurienne, ont démontré la faisabilité de la détection et de l'identification des caractéristiques des avalanches à partir de photos haute résolution prises depuis un point de vue fixe. Ces travaux ont permis de mettre en évidence plusieurs verrous scientifiques et techniques qui seront abordés dans le cadre de ce projet de recherche.
En effet, les méthodes actuellement employées reposent sur des bases de données d'images optiques d'observations d'avalanches de typologie différente. Un réseau de neurones profonds a été entraîné sur ces données pour permettre la détection automatique des avalanches FIGURE 1 (a) [1]. Cependant, ces méthodes présentent certaines limitations, notamment une sensibilité aux conditions météorologiques et d'illumination, ce qui peut affecter la précision et la fiabilité des détections.
De plus, l'emploi de cet outil pré-entraîné sur d'autres capteurs images et sur d'autres sites montagneux pose des difficultés. En effet, la généralisation d'un modèle entraîné sur un site spécifique à d'autres sites avec des conditions environnementales différentes peut être complexe et nécessite des stratégies d'adaptation.
Pour pallier ces limitations, le projet RESIL-AV vise à améliorer la précision de détection en s'appuyant sur un réseau de capteurs hétérogènes. Il s'agira notamment de tirer parti de capteurs images de moins bonnes résolutions (webcam), les capteurs acoustiques directionnels et/ou de données météorologiques collectées via des stations réparties sur le massif des Alpes. Les webcams permettront de renforcer la précision des détections grâce à l'ajout d'angles de vue supplémentaires sur les données d’entraînement. L’intégration de capteurs acoustiques directionnels FIGURE 1 (b) qui enregistrent les données en temps réels permettra de valider les avalanches observées par différents capteurs. La corrélation des données provenant des différents capteurs lors d'observations d'avalanches sera utilisée pour développer une méthode de détection robuste et généralisable à différents types de capteurs et de conditions environnementales.
II. Missions et activités du poste
D'un point de vue méthodologique, ce projet abordera plusieurs défis clés en IA. L'un des principaux défis sera l'adaptation de domaine, qui consiste à transférer les connaissances acquises par un modèle entraîné sur un domaine source (par exemple, des images haute résolution du site de Bessans) à un domaine cible (par exemple, des images de webcams ou d'autres sites montagneux). Cette adaptation de domaine est cruciale pour garantir la généralisation du modèle à différents types de capteurs et de conditions environnementales.
Cet aspect pourra notamment être traité par la mise en place d'un apprentissage sur graphe. En effet, les capteurs peuvent être représentés comme un graphe, où chaque nœud correspond à un capteur et les arêtes représentent les relations entre les capteurs. Ces relations peuvent être spatiales (par exemple, la distance entre les capteurs) ou basées sur des propriétés statistiques des données mesurées (par exemple, la corrélation entre les mesures des différents capteurs). L'apprentissage sur graphe permettra de modéliser ces relations complexes et d'améliorer la précision et la robustesse des détections d'avalanches.
L'objectif principal de ce postdoctorat réside dans l'étude et la mise en œuvre de stratégies d'adaptation à divers capteurs et sites montagneux. Pour cela, le candidat commencera par une première étude des performances de détection de l'architecture neuronale précédemment entraînée sur une variété de jeux de données. Dans un second temps, plusieurs stratégies d'adaptation de domaine tenant compte de la spécificité des données (basse résolution) et des corrélations entre les différents sites et des données de capteurs hétérogènes seront mises en place. Il s'agira notamment de définir des graphes de relations entre les différents capteurs et d'évaluer l'apport de performances d'un apprentissage prenant en compte la structure du graphe. D'autres méthodes de fusion des données ou de détection d'anomalies comme auto-encodeurs multi-modaux peuvent être envisagées selon les compétences du candidat.
Pour tout renseignement complémentaire et contact utiles, veuillez consulter l'offre en cliquant ICI
I. Conditions d’exercice
A temps plein et en présentiel au sein du laboratoire LISTIC.
II. Compétences attendues
Titulaire d'un doctorat (Ph.D.) en apprentissage profond (Deep Learning), en statistiques ou dans un domaine connexe.
Solide expérience en traitement d'images et/ou en analyse de données.
Maîtrise de la programmation en Python.
III. Conditions de recrutement
Le recrutement est ouvert aux personnes titulaires d’un doctorat délivré par une université française, ou d’un diplôme reconnu équivalent par l’université, notamment un doctorat ou PhD délivré par une université étrangère.
Contrat de niveau A à durée déterminée du 01/06/2026 au 31/05/2027 à temps plein. Le 1er mois du contrat sera considéré comme période d’essai.
V. Comment candidater
Transmettre les documents suivants dans un fichier pdf unique nommé LISTICRESIL2_NOM PRENOM :
Curriculum Vitae
Lettre de motivation
Copie(s) du ou des diplômes
Rapport de soutenance de thèse