Chercheur-se en deep learning appliqué à l'imagerie des sols

Vous exercerez votre activité au sein de l’Unité Mixte de Recherche INRAE-AgroParisTech EcoSys (Ecologie fonctionnelle et écotoxicologie des agroécosystèmes), localisée sur le Campus Agro Paris Saclay, qui est composée de 95 permanents. Nos recherches visent à accompagner la transition agroécologique pour atténuer et s’adapter au changement climatique. Vous travaillerez au sein du pôle Sol&Tox (Science du sol et écotoxicologie terrestre) de l’UMR EcoSys, qui étudie l’effet de l’usages des sols et des pratiques agroécologiques sur la santé des sols et leur multifonctionnalité. Dans ce cadre, nous développons des dispositifs expérimentaux, des techniques d’imagerie et des modèles permettant d’explorer le fonctionnement des sols, à des échelles allant des pores microscopiques à la parcelle et au paysage.

Votre mission consistera à contribuer à un projet scientifique explorant l’effet de la structure 3D microéchelle du sol sur l’accessibilité des matières organiques à la décomposition. Vous appliquerez des techniques de deep learning sur des images 3D issues de tomographie RX afin de classifier les constituants du sol (matrice minérale, porosité, matières organiques).

Vous serez plus particulièrement en charge de :

• la rédaction d’un protocole sur l’utilisation de l’approche de deep learning nnU-Net adapté à nos objectifs de recherche et aux ressources de notre laboratoire ;

• la réutilisation et l’optimisation d’un entraînement de modèle de deep learning récemment développé lors d’un stage M2 dans notre laboratoire pour classifier les constituants du sol ;

• l’application du modèle retenu sur >20 jeux de données de tomographie RX et la vérification des résultats ;

• la préparation d’un manuscrit d’article scientifique sur la contribution du deep learning aux sciences des sols.

Conditions particulières d’activité : Temps de formation limité étant donné la durée courte du contrat. Vous êtes encouragé.e à nous contacter en amont de votre candidature pour toute précision (voir modalités pour postuler)

Master/Ingénieur (Bac+5)

Formation recommandée : Niveau Bac+5 Master ou équivalent en sciences de l’environnement, analyse d’images ou SIG

Connaissances souhaitées : Computer vision, machine learning et deep learning (connaissances approfondies), Sciences des sol (connaissances générales), Langue anglaise : B2 (cadre européen commun de référence pour les langues)

Expérience appréciée : Etudiant.es en sortie de cursus M2 éligibles sans expérience préalable. Expérience d’écriture de code indispensable. Expérience sur l’utilisation du deep learning, en particulier l’approche nnU-Net, sur des images 3D issues de tomographie RX. Expérience souhaitée sur l’utilisation de supercalculateurs (exemple : machine Jean Zay)

Aptitudes recherchées : Sens relationnel (travail en équipe, capacité de reporting), Autonomie, Intérêt pour la recherche, Goût pour la valorisation et la diffusion des résultats et outils développés

Votre qualité de vie à INRAE

En rejoignant INRAE, vous bénéficiez (selon le type de contrat et sa durée) :

• jusqu’à 30 jours de congés + 15 RTT par an (pour un temps plein)
• d’un soutien à la parentalité : CESU garde d’enfants, prestations pour les loisirs ;
• de dispositifs de développement des compétences : formation, conseil en orientation professionnelle ;
• d’un accompagnement social : conseil et écoute, aides et prêts sociaux ;
• de prestations vacances et loisirs : chèque-vacances, hébergements à tarif préférentiel ;
• d’activités sportives et culturelles ;
• d’une restauration collective.

Présentation INRAE

L’Institut national de recherche pour l’agriculture, l’alimentation et l’environnement (INRAE) est un établissement public de recherche rassemblant une communauté de travail de 12 000 personnes, avec 272 unités de recherche, de service et expérimentales, implantées dans 18 centres sur toute la France. INRAE se positionne parmi les tout premiers leaders mondiaux en sciences agricoles et alimentaires, en sciences du végétal et de l’animal. Ses recherches visent à construire des solutions pour des agricultures multi-performantes, une alimentation de qualité et une gestion durable des ressources et des écosystèmes.