Canon Research Centre France S.A.S. (CRF)

Internship proposals

To apply, please fill in the following fields.

:

:

:

:

:

Angle of arrival (AOA) estimation using FMCW radar

Internship: 5 months / Preferable date: early 2018

Mission:

Today several FMCW automotive radars chipset are available. The automotive radar is mainly used to determine the range of the target, more than the localization of the target.
The goal of the internship will be to experiment using existing automotive radar, and to implement the algorithm we use for Angle of Arrival (Beam forming, Capon, MUSIC) today on a micro-controller. The output of this feasibility is the computation time and the obtained resolution.
The intern will have to set up the tools (SDK) for programing on a RADAR specific microprocessor, to port our algorithm, and finally to experiment with the resulting system in order to localize targets.
[01] “System Design of a 77 GHz Automotive Radar Sensor with Super-resolution DOA Estimation” Peter Wenig and al.

Skills:

RADAR, Signal processing, Matlab/Simulink, C/C++ language.

School profile:

Master 2, Signal Processing Engineering school

Back to top

Ethernet over Coax (EoC) sensor device monitoring and management

Internship: 5 months / Preferable date: early 2018

Mission:

EoC (Ethernet over Coax) refers to Ethernet data transmission on coaxial cable technology based on Homeplug AV technology. Supported by IEEE1901, HomePlug AV high speed communication protocol is the most widely deployed powerline networking standard.
In a video surveillance network system where power supply is delivered to network devices over the coaxial cable in addition to data transmission services, sensors are among devices that can be connected for smart solutions development.
The objective of this internship is to implement a Remote Device Monitoring and Management agent (e.g. SNMP, TR-069) of a sensor device with a proprietary MIB extension for sensor monitoring.

Main tasks:

Skills:

C/C++ language, Linux, RTOS, Network Management Protocols (e.g. SNMP, TR-069), Embedded systems, PLC (HomePlug AV, IEEE1901)

School profile:

Master 2, Signal Processing Engineering school

Back to top

Machine Learning for Direction of Arrival (DoA) estimation using FMCW RADAR

Internship: 5 months / Preferable date: early 2018

Mission:

To reach a high resolution, the antenna array provides a large number of data. The Angle of Arrival algorithm is useful to sort the differences between the measures made at each antenna at different frequencies. The counterpart is the duration of the computation that is quite important and makes difficult a real time realization. A machine learning system is capable of sorting these small differences and determine the angle of arrival. [01]
The internship will be experimental and theoretical. First a bibliography will be made. A one dimension radar using ZVA network analyzer will be set up in anechoic chamber, with a target that can be positioned along one dimension. The collected data will be submitted to a Neural Network or to SVM that will be implemented by the student using MatLab.
At the end of the learning, it is expected the machine will be able to determine the AoA and the noise suppressed.
The output of the exercise is the computation time and the obtained resolution, and comparison NN /SVM.
[01] “MCA learning algorithm for incident signal estimation : a review” R. Ahmed, J. Avaritsiotis

Skills:

Machine Learning, Signal processing, Matlab/Simulink, C/C++ language, Mathematic.

School profile:

Master 2, Software Engineering school

Back to top

Deeplearning et computer vision - tracking

Internship: 3-6 months / Le stage est rémunéré

La révolution du deeplearning et de l’intelligence artificielle a un impact particulièrement marqué en computer vision, domaine d’excellence de Canon, qui s’y intéresse en particulier pour la videosurveillance.
La vidéosurveillance a des contraintes spécifiques qui rendent les approches conventionnelles peu fiables :

Le deeplearning est une réponse décisive pour résoudre ces problèmes. Le stage consistera à mettre en œuvre une approche deeplearning de la détection / tracking de cibles d’intérêt (personnes, véhicules…). Le travail s’inscrira dans la continuité d’un algorithme deeplearning de détection de cibles d’intérêt que nous avons développé en nous inspirant des travaux de Google en la matière. L’enjeu sera de rajouter la dimension temporelle essentielle au tracking, par exemple en utilisant des réseaux récurrents. Le stagiaire pourra bénéficier de matériel de pointe et de l’encadrement adapté à ses besoins.
Idéalement, le candidat aura un profil de passionné d'informatique et de nouvelles technologies, et un attrait pour les thématiques abordées. Une très bonne maîtrise du développement informatique est essentielle.

Back to top

Deeplearning et computer vision – evaluation de l’esthetique d’une image

Internship: 3-6 months / Le stage est rémunéré

La révolution du deeplearning et de l’intelligence artificielle a un impact particulièrement marqué en computer vision, domaine d’excellence de Canon, qui s’y intéresse en particulier pour la videosurveillance.
La vidéosurveillance a des contraintes spécifiques (cibles lointaines et en mouvement, forte compression, mauvais éclairages…) qui entraînent des images de mauvaise qualité quand les réglages ne sont pas optimum. Il y a en général beaucoup trop de caméras et beaucoup trop peu d’opérateurs, souvent ils se rendent compte trop tard de séquences inexploitables.
Le deeplearning est une réponse décisive pour résoudre ces problèmes. Le stage consistera à mettre en œuvre une approche deeplearning d’évaluation automatique de la qualité des images selon des critères proches de l’évaluation subjective par des humains. En d’autres mots, le but est de créer une intelligence artificielle en mesure d’évaluer l’esthétique d’une image. Le travail s’inspirera de travaux récents qui abordent ce problème nouveau. Le stagiaire pourra bénéficier de matériel de pointe et de l’encadrement adapté à ses besoins.
Idéalement, le candidat aura un profil de passionné d'informatique et de nouvelles technologies, et un attrait pour les thématiques abordées. Une très bonne maîtrise du développement informatique est essentielle.

Back to top

Amélioration de la robustesse d’un système à apprentissage profond

Internship: 6 months

Les réseaux de neurones à apprentissage profond (deep learning) ont permis des avancées importantes dans de nombreuses tâches liées à l’intelligence artificielle. En particulier, ces réseaux ont permis de réaliser des progrès important dans les tâches d’analyse d’images ou de vidéo, comme la reconnaissance d’objets ou la localisation d’objets.
Cependant, il a été montré que ces réseaux peuvent être facilement trompés. Ainsi une faible modification apportée sur une image utilisée lors de l’entraînement du réseau peut conduire à une mauvaise classification de celle-ci. La figure ci-dessous donne un exemple de modification d’un objet conduisant à une mauvaise classification : dans cet exemple le panneau stop est identifié comme un panneau limitation de vitesse.
PanneauStop
L’objectif du stage sera d’étudier les mécanismes utilisés pour tromper les réseaux à apprentissage profond, ainsi que les contre-mesures existantes, et de tester ces contre-mesures sur un réseau permettant la classification d’images.
Les étapes seront :

Skills:

Python, algorithmes d’apprentissage

School profile:

Engineer school, Master, DEA

Back to top

Web control of industrial cameras

Internship: 6 months

Industrial cameras are evolving towards standardized communication and control protocols (Gigabit Ethernet Vision). These standards rely on IP-based networks and make these cameras become closer to traditional network cameras. The training targets usage of industrial cameras into a web-based video surveillance management systems (VMS).
Main possible steps of this training could be:

Skills:

School profile:

Engineer school, Master, DEA

Back to top

Réseaux profonds pour l’analyse des usagers de la route

Internship: 6 months

Les réseaux de neurones à apprentissage profond (deep learning) ont permis des avancées importantes dans de nombreuses tâches liées à l’intelligence artificielle. En particulier, ces réseaux ont permis de réaliser des progrès important dans les tâches d’analyse d’images ou de vidéo, comme la reconnaissance et la localisation d’objets.
Ces avancées sont notamment intéressantes pour l’analyse du trafic urbain en vue de protéger les usagers de la route vulnérables (« vulnerable road users » ou VRU) tels que les piétons ou cyclistes.
Image a Image b
L’objectif du stage sera, dans un premier temps, de designer une plateforme de démonstration utilisant un réseau profond existant pour faire la détection de véhicules (voitures, camions, vélos, …) et de piétons dans des vidéos en provenance de caméras fixes et pré calibrées (c.f. figure-(a)).
Les résultats de cette détection devront être exploités pour localiser les différents objets sur une carte (en exploitant les paramètres de calibration des caméras), et pour estimer la position du squelette des humains détectés (c.f. figure-(b)) à l’aide d’un second réseau profond, également existant.
Dans un second temps, il s’agira d’analyser les résultats obtenus et de chercher des pistes d’améliorations en faisant notamment une recherche bibliographique sur les travaux récents.

Skills:

School profile:

Engineer school, Master, DEA

Back to top
Back to Home