Etude d'etat de l'art et justification des choix methodologiques
Jeux de donnees collectes ou constitues (images des trappes, equipements, etc.)
Code source documente des experimentations (IJEPA et methodes classiques)
Resultats experimentaux et analyses comparatives
Rapports de deplacement (si collecte de donnees sur site)
Rapport final detaillant la demarche, les resultats et les recommandations
Competences et connaissances requises
Solides bases en mathematiques appliquees, apprentissage automatique et reseaux de neurones
Maitrise de Python, PyTorch ou TensorFlow et connaissance des bibliotheques de vision (OpenCV, TorchVision, etc.)
Capacite a sortir des approches classiques et a concevoir des architectures originales adaptees au contexte industriel
Objectif de stage
Etudier les techniques classiques de detection supervisee et evaluer leur pertinence pour le cas d'usage ferroviaire
Explorer les techniques non supervisees pour la detection d'anomalies visuelles, avec un focus sur le modele IJEPA
Concevoir un prototype experimental base sur un modele non supervise capable d'identifier les anomalies (ex. trappes mal fermees, pieces endommagees, etc.)
Constituer un jeu de donnees d'images ferroviaires, annotees ou non, pour l'entrainement et la validation
* Comparer les resultats obtenus entre les approches supervisees et non supervisees et proposer une feuille de route pour un deploiement potentiel en environnement de maintenance
Beware of fraud agents! do not pay money to get a job
MNCJobsGulf.com will not be responsible for any payment made to a third-party. All Terms of Use are applicable.