Few-Shot Learning en computer vision.
Apprendre à classifier des images à partir de peu de données.

Missions

  • Dresser l’état de l’art des approches de Few-Shot Learning en computer vision.
  • Implémenter quelques modèles, les entraîner et évaluer leurs performances sur des cas d'usages définis.
  • Industrialiser les approches retenues en créant une application selon les bonnes pratiques de développement chez OCTO.
  • Partager les travaux sous forme de présentations en interne et d‘articles sur le blog OCTO.

Conditions

Type de stage : Stage de fin d'étude, pré-embauche
Lieu : OCTO Technology 34 avenue de l'Opéra 75002 Paris
Rémunération : 1500 € bruts
Date : 2020

Profil

  • Vous avez envie de travailler sur un sujet à forte composante R&D.
  • Vous êtes capable de travailler en autonomie et de prendre des initiatives.
  • Vous avez des connaissances théoriques en Machine Learning.
  • Vous vous intéressez aux sujets de computer vision.
  • Vous êtes à l’aise avec Python, et avez une petite expérience pratique sur un framework de Deep Learning (Keras, Tensorflow, PyTorch).

Contexte

Étape 1 : Étude bibliographique

Faire la revue des publications scientifiques de référence traitant de Few-Shot Learning, et en faire une synthèse lors d'une présentation en interne.

Étape 2 : Prototypage et étude comparée des différentes
approches

- Délimiter un périmètre de travail (tâches de prédiction & datasets utilisés).
- Définir une méthode et des métriques d'évaluation.
- Implémenter les modèles, les optimiser, et comparer les résultats obtenus.

Étape 3 : Industrialisation

- Retenir un ou deux modèles à implémenter.
- Créer une application Python pour industrialiser les pipelines d'entraînement, d'évaluation et d'inférence en s'appuyant sur les bonnes pratiques de développement (tests automatisés, versioning, intégration continue...).
- Packager et déployer l'application.

Étape 4 : Partage

Publier le code sur Github, rédiger un article sur le blog OCTO, présenter les travaux à mi-parcours et en fin de stage, en interne à OCTO.

Objectifs du stage

Les modèles de computer vision à l’état de l’art nécessitent énormément d’images pré-annotées.
Cette annotation peut s’avérer coûteuse et difficile.
Face à cette problématique, la promesse du Few-Shot Learning est de pouvoir obtenir de bonnesperformances avec un faible volume de données.

Encadrement

Vous serez encadré·e par deux Octos de la tribu Big Data Analytics (BDA), et vous aurez des réunions hebdomadaires de suivi de votre stage avec l’un d’entre eux. Vous aurez également le soutien de la communauté en cas de difficultés tech- niques, dans la plus pure tradition OCTO.