Français
English
Laboratoire de Génie Informatique et d’Automatique de l’Artois
Aide à la décision pour une logistique durable et une mobilité intelligente
Poste ouvert (Doctorant)
Quantification de l’incertitude prédictive, fondée sur la théorie de l’évidence, appliquée à l’estimation des traits de vie des poissons à partir d’images d’otolithes 3D
Cette thèse se situe à la croisée de plusieurs thématiques : la quantification de l’incertitude prédictive, l’extraction de caractéristiques, la compréhension et la conservation des écosystèmes marins. Si la quantification de l’incertitude prédictive, qui est un sujet fondamental et d’actualité en apprentissage machine, sera la thématique scientifique principale, l’extraction de caractéristiques aura également une place importante étant donné la nature des données à traiter. Les travaux menés dans ces thématiques, même s’ils ont vocation à ne pas être limités à une seule application, seront toutefois fortement orientés par la thématique des traits de vie des poissons, dont la maîtrise participe à la compréhension et la conservation des écosystèmes marins.
Bref descriptif du sujet
La connaissance des traits de vie des poissons (habitat, âge, croissance, reproduction, longévité, position dans la colonne d’eau …) est un aspect essentiel pour une gestion efficace et durable des stocks de poissons marins. Les pièces calcifiées, et précisément les otolithes qui sont les seules pièces métaboliquement inertes, sont une source d’information précieuse à cette fin. Notamment, leur forme externe, caractérisée historiquement à partir d’images en 2D et plus récemment étudiée en 3D, permet de prédire de façon très précise ces différents traits de vie. Les images 3D, si elles sont plus informatives, sont néanmoins plus coûteuses et récentes et par conséquent moins nombreuses. Il convient donc d’utiliser au mieux cette source d’information riche mais restreinte, afin d’obtenir les prédictions les plus fiables et précises possibles. La théorie de l’évidence, aussi appelée théorie de Dempster-Shafer ou théorie des fonctions de croyance, est une généralisation du cadre probabiliste pour le raisonnement sous incertitudes. Son utilisation dans le cadre de la quantification des incertitudes dans des prédictions est particulièrement indiquée pour le cas où le nombre de données est faible. Ce projet de thèse vise ainsi à développer des méthodes prédictives fondées sur cette théorie et adaptées aux approches actuelles en matière de prédiction des traits de vie des poissons à partir d’images d’otolithes 3D. Étant donné la nature de ce type d’application, au niveau méthodologique, la prédiction de variables ordinales sera au centre du projet.
Profil recherché
La candidate ou le candidat devra être titulaire d’un master ou d’un titre d’ingénieur en informatique, mathématiques appliquées ou champ connexe. Des connaissances en intelligence artificielle (apprentissage automatique) et/ou en traitement de l’image seront un atout, ainsi qu’une sensibilisation aux méthodes de gestion de l’incertitude. Les qualités permettant de mener à terme un programme de doctorat telles que la curiosité, la créativité, l’autonomie, l’esprit critique et l’enthousiasme, seront nécessaires.
Financement
50% IFSEA / 50% Université d’Artois (demandé)
Localisation
Les travaux seront menés en collaboration entre le Laboratoire de Génie Informatique et d’Automatique de l’Artois (LGI2A) à Béthune et le Laboratoire d’Informatique Signal et Image de la Côte d’Opale (LISIC) à Calais.
Candidature
Envoyer avant le 30 avril 2026 un e-mail, avec tous les encadrants de la thèse en copie, contenant les documents suivants dans un seul fichier pdf : votre CV, une lettre de motivation, vos relevés de notes et classements de l’année actuelle (master ou équivalent) et des années précédentes, et, en option, jusqu’à deux lettres de recommandation.
Directeur : Prof. Frédéric Pichon, Université d’Artois, LGI2A
Co-directrice : Prof. Emilie Poisson Caillault, Université du Littoral Côte d’Opale, LISIC
Co-encadrant : Dr. Sébastien Ramel, Université d’Artois, LGI2A
