Portfolio

Projets de recherche
& industriels.

Des problèmes complexes, des méthodes rigoureuses, des résultats concrets.

2026 — présent
projet_04
Eliis

Ingénieur R&D
chez Eliis

Développement de nouvelles fonctionnalités pour PaleoScan, la plateforme d'interprétation sismique d'Eliis, afin d'améliorer l'analyse des images géologiques — deep learning et traitement d'images appliqués aux données sismiques et à la stratigraphie.

  • Conception et développement d'un projet de recherche de bout en bout
  • Analyse des faciès sismiques par apprentissage profond
  • Exploitation d'attributs sismiques dérivés du RGT (Relative Geological Time)
  • Génération de données de faciès par modèles de diffusion
PaleoScan Deep Learning Modèles de diffusion Faciès sismiques RGT
En savoir plus Eliis · PaleoScan ↗
2021–2025
projet_03
DGA · Thales · CNRS

Détection d'objets rares
en imagerie sonar

Développement de modèles de détection d'objets dans des images sonar à faible densité d'exemples, en combinant réseaux de neurones profonds et stratégies d'augmentation intelligente.

  • Développement de modèles YOLO adaptés aux images sonar à basse résolution
  • Utilisation de GANs pour la génération de données synthétiques
  • Apprentissage actif combinant incertitude et clustering pour réduire le besoin en annotations
  • Amélioration significative de la précision de détection avec moins de données
PyTorch YOLO GANs Apprentissage actif Python
2019–2021
projet_02
ANR · DGA ASTRID

Stéganalyse d'images
par réseaux de neurones

Dans le cadre du projet ANR DGA ASTRID, développement de méthodes deep learning pour détecter des messages cachés dans des images JPEG à grande échelle.

  • Développement sous PyTorch et TensorFlow
  • Gestion de bases massives d'images JPEG
  • Création de la base de données LSSD (Large JPEG Steganalysis Dataset)
  • Publication : « LSSD: A Controlled Large JPEG Image Database for Deep-Learning-Based Steganalysis » — ICPR 2021
PyTorch TensorFlow Stéganalyse JPEG Deep Learning
Publications liées LSSD (ICPR 2021) Scalability (ICPR 2021) CORESA 2020 Base de données LSSD →
2018
projet_01
Défense · Systèmes embarqués

Pilotage automatique
de missiles hypersoniques

Application de l'apprentissage par renforcement pour concevoir des agents capables de piloter de manière autonome des missiles hypersoniques dans des environnements simulés.

  • Implémentation des algorithmes DDPG (Deep Deterministic Policy Gradient)
  • Implémentation et comparaison avec PPO (Proximal Policy Optimization)
  • Simulation et validation sous Python et MATLAB
  • Optimisation des politiques de vol en milieu contraint
Reinforcement Learning DDPG PPO Python MATLAB

Disponibilité

Un projet en tête ?

Je suis ouvert à la discussion pour des collaborations, contrats ou postes en recherche appliquée.

Me contacter →