Doctorant en Classification supervisée d’images de bois/charbons à partir d’images microscopiques (H/F)

Sujet de thèse :
Cette thèse comportera différentes étapes :
- recherche d’une architecture neurale optimale prenant en compte différentes coupes orthogonales d’un même spécimen,
- prise en compte des relations hiérarchiques entre les espèces, genres et familles,
- étude de l’impact de la prise en compte des caractéristiques anatomiques établies par l’IAWA,
- détermination de nouvelles caractéristiques anatomiques.

Contexte :
Dans le cadre du projet ANR AI-WOOD, des chercheurs du CEPAM, d'I3S et de l'INRIA Université Côte d'Azur collaborent au développement de nouvelles approches d’apprentissage profond visant à réaliser l'identification taxonomique (c'est-à-dire la classification au niveau de l'espèce, du genre ou de la famille) du bois et du charbon de bois à partir d'images microscopiques en 2D. Le projet a un intérêt principal d'un point de vue archéologique, l'idée principale étant d'entraîner un classificateur pour l'identification des espèces et des familles sur une collection moderne (environ 6000 images pour 120 espèces) et de l'utiliser ensuite pour identifier des charbons de bois anciens.
Les anthracologues (c.-à-d. les archéologues spécialisés dans l'identification et l'analyse des charbons de bois anciens) effectuent cette identification en s'appuyant sur l'anatomie comparée et sur les caractéristiques anatomiques établies par l'IAWA qu'ils construisent manuellement par observation microscopique. Outre le fait qu'elle est longue et fastidieuse, cette routine d'identification n'est pas entièrement satisfaisante, (aussi) en raison de la proximité anatomique de certaines essences.
Le but de ce projet est donc d'explorer le potentiel de l'apprentissage profond pour identifier directement le taxon d'un spécimen à partir de l'observation microscopique et éventuellement d'améliorer la routine d'identification. Bien que certaines tentatives dans ce sens ont été faites dans la littérature (Rosa da Silva et al., 2022 ; Silva et al., 2022), il y a encore une marge d'amélioration considérable.
Cette thèse s’inscrit dans le projet ANR AI-WOOD qui concerne la reconnaissance de charbons archéologiques à partir d’images de coupes microscopiques.
Compétences : Deep Learning, Image Processing, Python programming (pytorch, keras).