Stage Computer Vision - Anomaly detection

Purpose

L'unité de recherche et de technologie d'IDEMIA est chargée de développer toute nouvelle technologie, qui sera incluse dans toutes les gammes de produits d'IDEMIA, permettant de fournir une identité augmentée.

Composée d’environ 100 chercheurs et développeurs, l'unité travaille sur de multiples domaines d'application : reconnaissance faciale, reconnaissance d'empreintes digitales, reconnaissance de l'iris, détection de la fraude, systèmes d'acquisition sécurisés, analyse vidéo, reconnaissance et authentification de documents.

Toutes ces technologies sont développées pour atteindre le rang de n°1 mondial dans leur catégorie, garantissant un haut niveau de sécurité, tout en améliorant le confort de l’expérience utilisateur pour l'utilisateur final.

Cette unité développe des algorithmes adaptés à de multiples cas d'utilisation :

• Identité dans le cadre d’applications civiles (élections, documents biométriques...)
• Contrôle aux frontières (Détection des fraudes sur les documents ou la biométrie, reconnaissance faciale avec comparaison avec le passeport et la réalité...)
• Police / Justice (identification des criminels, identification des objets dans les vidéos...)
• Contrôle d'accès (entrée dans un bâtiment ou toute zone sécurisée)
• Digitalisation de l’identité sur smartphone (déverrouillage ou paiement avec un smartphone utilisant la biométrie, ouverture d’un compte en banque à distance…)
• Terminaux embarqués ou cartes à puce (paiement avec une carte bancaire biométrique…)

Key Missions

IDEMIA recrute d'excellents stagiaires en Deep Learning et Computer Vision, pour enrichir et renforcer ses équipes, sur une période de 6 mois. L'objectif est de couvrir tous les aspects de la recherche scientifique, depuis la caractérisation de l’état de l’art, la collecte et l’adaptation de données, la modélisation, la mise en œuvre jusqu'à la publication d'articles ou de brevets. Les méthodes utilisées sont les méthodes bayésiennes, l'apprentissage machine, l'apprentissage profond (CNN, GAN...), et toutes les méthodes utilisées en vision par ordinateur pour les images fixes et l'analyse vidéo automatisée optimisée.

Le sujet de stage proposé ici concerne la détection de fraudes biométriques par des approches de détection d'anomalie.

Il est essentiel dans les systèmes de reconnaissance biométrique de pouvoir détecter un utilisateur cherchant à dissimuler ou voler l’identité d’un autre par le passage de fraudes (e.g. masque, faux doigts, etc…). Cette problématique de détection de fraude est classiquement traitée à l’aide d’un classifieur binaire par apprentissage supervisé sur un ensemble d’observations étiquetées comme vraies ou fausses. Cependant l’ensemble des fraudes possibles évolue constamment et le comportement du classifieur sur des fraudes toutes nouvelles peut être sous-optimal. Dans cette optique, une nouvelle famille de méthodes dites « one-class », empruntées à la détection d’anomalie, a été introduite afin de n’apprendre un détecteur qu’à l’aide de données de vrais, et de considérer toute observation qui s’en éloigne trop comme une fraude.
L’objectif de ce stage est de mettre en œuvre et d’améliorer des algorithmes de classification "one-class" pour la détection de faux visages. Le stagiaire sera amené à conduire une recherche bibliographique puis à implémenter, tester et améliorer la ou les approches retenues.

Profile & Other Information

• Elève ingénieur des grandes écoles en fin de 3eme année du cycle ingénieur, ou élève en M2 universitaire, spécialisé en deep learning et computer vision
• Bonnes connaissances dans le traitement de l'image, la vision par ordinateur, l'apprentissage profond (idéalement avec PyTorch)
• Formation solide en mathématiques, analyse de données,
• Maitrise du langage Python
• La maitrise des librairies de traitement d’images est un plus.
• Curieux
• Proactif, autonome
• Orienté vers les résultats et les solutions
• Communication claire et convaincante
• Bonne maîtrise de l’anglais à l'oral et à l'écrit
• Désir de contribuer à la chaine complète d’un algorithme : design, implémentation, intégration, test, optimisation