Ingénieur R&D - IA - Vision par Ordinateur H/F - 13

Pellenc ST conçoit et fabrique des machines de tri intelligent, destinées à l'industrie du recyclage. Engagés dans un monde en pleine évolution, nos ambitions se tournent aujourd'hui vers les nouvelles technologies telles que l'intelligence artificielle ou encore l'industrie 4.0 et les machines connectées.

Fort de plus de 2500 machines à travers le monde, nous oeuvrons et contribuons chaque jour, à la valorisation de nos déchets ainsi qu'à un environnement plus sain et durable pour demain. C'est dans ce contexte d'évolution et de passion que nous recherchons de nouveaux talents qui partagent nos ambitions, et qui souhaitent soutenir avec nous l'économie circulaire.En pleine expansion, notre entreprise innovante et dynamique recherche un(e) :
Stagiaire Ingénieur R&D / Intelligence artificielle - Vision par ordinateur (H/F)
Poste basé à Pertuis (84).

Sujet du stage:
La performance de nos systèmes de vision par ordinateur dépend fortement de la qualité et de la diversité des données d'apprentissage. Le stage porte sur l'utilisation de méthodes de synthèse d'images conditionnelle (ex : GANs, Diffusion Models, Image-to-Image translation) afin de générer des données artificielles adaptées aux tâches de segmentation par instance.
L'objectif est de créer des pipelines permettant de :
Générer des images réalistes et variées conditionnées sur des annotations ou contraintes spécifiques.
Enrichir nos bases de données internes pour pallier le manque de représentativité ou les déséquilibres de classes.
Améliorer la robustesse et la précision des modèles de segmentation par instance utilisés dans nos machines de tri.

Missions principales :
Étudier l'état de l'art des approches de synthèse d'images conditionnelle (GANs, Diffusion, etc.).
Implémenter et adapter des modèles de génération d'images pour des cas d'usage ciblés.
Développer un pipeline de génération/augmentation de données orienté segmentation par instance.
Évaluer l'impact de ces données synthétiques sur les performances des architectures de segmentation(Mask R-CNN, RTMD et, etc.).
Documenter les résultats et proposer des recommandations pour un passage à l'échelle industrielle.