Thèse Réseaux Neuronaux Ultra-Basse Précision pour la Vision Événementielle Embarquée H/F - Doctorat.Gouv.Fr

Établissement : Université de Technologie de Compiègne École doctorale : Sciences pour l'ingénieur Laboratoire de recherche : Heuristique et diagnostic des systèmes complexes Direction de la thèse : Julien MOREAU ORCID 0000000150089232 Début de la thèse : 2026-09-01 Date limite de candidature : 2026-07-31T23:59:59 Cette thèse vise à concevoir une nouvelle génération de réseaux de neurones binarisés ou fortement quantifiés pour le traitement de données issues de caméras à événements sur plateformes embarquées. Contrairement aux caméras conventionnelles, les caméras événementielles produisent des flux asynchrones et parcimonieux décrivant les variations locales de luminance, offrant une latence minime robuste aux mouvements très rapides et une grande dynamique. Ces propriétés sont particulièrement adaptées à la robotique, aux drones, aux véhicules autonomes et aux systèmes de perception basse consommation.

L'objectif de la thèse est de dépasser l'approche consistant à convertir les événements en pseudo-images traitées par des réseaux classiques. Il s'agira de co-concevoir les représentations événementielles, les architectures neuronales ultra-basse précision, binarisés (BNN) ou quantifiés (QNN), les stratégies d'apprentissage et les contraintes de déploiement matériel. Les modèles étudiés combineront potentiellement couches binaires, quantification mixte, mémoire temporelle, récurrence légère, attention parcimonieuse, focalisation dynamique et inférence partielle.

Les contributions attendues pourront porter sur :
- l'étude des représentations événementielles compatibles avec la binarisation;
- la conception de blocs BNN/QNN adaptés aux flux asynchrones ;
- le développement de méthodes d'entraînement robustes par distillation, quantization-aware training et apprentissage progressif ;
- l'évaluation conjointe en précision, latence, mémoire, énergie et robustesse ;
- la validation sur benchmarks publics et plateformes robotiques embarquées.
Les architectures proposées seront évaluées sur des jeux de données de référence en vision événementielle, notamment pour la classification, la reconnaissance de gestes, la détection d'objets, le suivi ou la perception robotique. Une attention particulière sera portée aux benchmarks réalistes comme Gen1 Automotive Detection, MVSEC ou DSEC, ainsi qu'à la comparaison avec des modèles événementiels récents non quantifiés.
Cette thèse contribuera ainsi à rapprocher la vision neuromorphique, l'apprentissage profond frugal et l'intelligence artificielle embarquée, avec pour ambition de produire des modèles capables d'exploiter la nature asynchrone des événements tout en respectant des contraintes strictes de temps réel et de consommation énergétique. Le laboratoire Heudiasyc est localisé à Compiègne dans l'Oise, ville de taille humaine et au cadre verdoyant tout en étant à proximité de la région parisienne.
L'équipe SyRI est spécialisée dans les applications pour la mobilité des robots, tels que des voitures et des drones intelligents. Nous nous focalisons sur les problèmes de décision, de commande, de localisation, de communication, de perception, et de réalité virtuelle.
En vision par ordinateur, nous avons développé des compétences fortes en perception par caméra événementielle depuis 2020, avec des résultats sur des applications de calibrage, de flot optique, d'estimation des profondeurs, et de segmentation des objets mobiles.

[Souhaité] Vision par ordinateur
[Requis] Codage C++ ou python (opencv, numpy, pytorch pour l'apprentissage profond)
[Requis] Autonomie, fort engagement, et participation dans l'équipe (y compris la vie de l'équipe)
[Requis] Capacité à assimiler et à proposer de nouveaux concepts
[Souhaité] Anglais, capacité à synthétiser des articles scientifiques pointus
[Souhaité] Une expérience avec ROS