S01 - Semantic Parsing Of Maps With Deep Learning H/F - 95

Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.

Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.

Implanté au coeur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.

Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :

- La conscience des responsabilités
- La coopération
- La curiositéRejoignez-nous en Stage !

CEA Tech Corporate from CEA Tech on Vimeo.
En tant que stagiaire au CEA, vous aurez l'opportunité de travailler au sein d'un environnement de recherche de renommée mondiale. Nos équipes sont composées d'experts passionnés et dédiés, offrant un cadre propice à l'apprentissage et à la collaboration. Vous aurez accès à des équipements de pointe et à des ressources de recherche de premier ordre pour mener à bien vos missions.
Contexte
Les outils d'analyse de mise en page sont aujourd'hui performants pour les documents textuels (factures, formulaires), mais les cartes et plans posent encore de nombreux défis en raison de leur complexité graphique (symboles vectoriels, annotations textuelles, légendes, échelles, etc.).
Le logiciel MapLayoutParser, développé par le CEA LIST, constitue une solution innovante pour répondre à ces problématiques et ouvre la voie à des applications variées : intelligence géospatiale, urbanisme, numérisation d'archives, robotique.
Objectifs
Évaluer les performances actuelles de Map-Layout-Parser sur différents types de cartes et plans (architecturaux, topographiques, techniques).
Améliorer la robustesse du modèle par fine-tuning, augmentation de données et adaptation des classes cibles.
Développer des modules de post-traitement pour enrichir les résultats et faciliter leur exploitation.
Valider l'approche par des benchmarks et une étude de cas appliquée (ex. extraction automatique d'informations clés).

Missions principales
Analyse et évaluation des performances de l'outil sur divers jeux de données.
Mise en place de stratégies d'amélioration :
Fine-tuning sur jeux de données annotés,
Augmentation et génération de données,
Développement d'un module de post-traitement pour :
Regroupement sémantique des éléments,
Alignement texte-symbole (association étiquette-objet),
Export structuré en JSON ou graphes.
Validation expérimentale via benchmarks et étude de cas.
Compétences développées
Vision par ordinateur et deep learning appliqués aux documents complexes.
Traitement et augmentation de données annotées.
Développement d'algorithmes de post-traitement et structuration de données.
Évaluation et validation par benchmarks et cas d'usage concrets.