Détection et segmentation des fontis ferroviaires à partir de données LiDAR à l'aide de réseaux de neurones avec augmentation de données

• Le stage sera réalisée à l'estp au sein de l'IR (Institut de Recherche) - Campus de Cachan, France.
• La stage sera supervisée par Pr. Rani EL MEOUCHE et Dr. Ing.  Muhammad Ali SAMMUNEH de l'estp.

Contexte : Les fontis ferroviaires constituent un risque important pour la sécurité des infrastructures ferroviaires, avec des conséquences graves telles que des déraillements ou des dommages aux rails. La surveillance régulière des voies à l’aide de données LiDAR permet de détecter les affaissements de terrain de manière précoce et d'assurer la sécurité du matériel ferroviaire. Cependant, la variabilité des environnements et la rareté des événements observés rendent difficile l'entraînement des modèles de segmentation.

Objectif du stage : Le stage a pour objectif de développer un modèle de détection et de segmentation des fontis ferroviaires à partir de données 3D issues de nuages de points LiDAR. En utilisant des architectures de réseaux de neurones adaptées à ce type de données (3D CNN, PointNet, Graph CNN), l'étudiant devra implémenter des solutions robustes de segmentation. Une attention particulière sera portée à l'augmentation des données, permettant d'enrichir les ensembles d’entraînement et d'améliorer la capacité du modèle à généraliser.

Travail à réaliser :

• Étudier et comparer différentes architectures de réseaux de neurones adaptées à la segmentation de nuages de points LiDAR (PointNet, 3D CNN, Graph CNN).
• Mettre en place des pipelines de traitement et de prétraitement des données LiDAR pour optimiser l'entraînement des modèles.
• Implémenter des techniques d'augmentation de données adaptées aux nuages de points 3D (transformations géométriques, déformations, génération d'exemples synthétiques).
• Évaluer les performances des modèles avec et sans augmentation des données, sur des ensembles de données annotées.
• Proposer des améliorations pour optimiser la détection en temps réel des anomalies ferroviaires.
• Rapport complet présentant les méthodes employées, les résultats obtenus et les comparaisons entre les différentes architectures de réseaux de neurones.
• Code des modèles implémentés avec les pipelines d'entraînement et d'évaluation.
• Recommandations pour l’intégration en temps réel des modèles de détection et de segmentation des fontis.

• Compétences requises 

• Connaissances en machine learning, deep learning (notamment sur les architectures pour la segmentation 3D, et des techniques d’augmentation de la donnée GANs, VAE..).
• Expérience en manipulation de données LiDAR.
• Programmation en Python (TensorFlow, PyTorch)."