Description

La contrefaçon de produits a des conséquences négatives importantes. En effet, dans l'économie mondiale, des centaines de milliards d'euros sont perdus chaque année à cause de la fraude, ce qui touche une grande variété de secteurs comme l'industrie pharmaceutique, l'électronique, les produits de luxe ou les pièces automobiles, pour n'en citer que quelques-uns. C'est pourquoi il faut des méthodes pour vérifier de manière fiable l'identité des produits et prévenir la fraude tout au long de la chaîne d'approvisionnement. En général, on colle une étiquette avec une sorte d'identifiant visuel (un code de type QR, par exemple) sur le produit. C'est un vrai défi, car les contrefaçons sont de plus en plus sophistiquées chaque jour grâce aux méthodes basées sur l'IA.
Cependant, il est toujours possible de détecter les contrefaçons, car on sait que les systèmes d’impression laissent des traces détectables, différentes de celles du produit d’origine. Ce projet de doctorat explore des stratégies de recherche et d’échantillonnage dans des espaces latents qui ne sont pas explicitement démêlés. Dans de telles représentations, les attributs d’intérêt – comme l’identité du produit, le lot de fabrication, les conditions d’acquisition ou le type de dommage – peuvent être corrélés et difficiles à isoler.
De plus, de nouveaux attributs peuvent ne devenir pertinents qu’une fois la représentation latente établie. Dans ce projet, on va concevoir de nouvelles méthodes permettant de comparer rapidement les traces trouvées dans l’espace latent au sein d’une très grande base de données d’images, ainsi que développer de nouveaux algorithmes et structures de données permettant de récupérer efficacement des exemples similaires possédant un attribut donné, avec pour objectif final de détecter les produits contrefaits à partir de leurs identifiants visuels.

Compétences requises

- Solide formation en mathématiques appliquées et en IA - Capacité à concevoir de nouveaux algorithmes et à les mettre en œuvre en Python - Connaissance des méthodes d'entraînement de modèles à l'aide d'outils tels que PyTorch, TensorFlow ou Keras - Capacité à travailler en équipe. Une présence régulière au Centre Borelli est absolument indispensable. - Capacité à travailler de manière autonome, tout en étant disposé à suivre toutes les indications et demandes du directeur de thèse afin de mener à bien la thèse de doctorat - Volonté de mener des recherches de pointe pour faire avancer le domaine et de publier les résultats dans des revues spécialisées à fort impact et lors de conférences, ainsi que de présenter les travaux lors de séminaires locaux et de conférences internationales.

Bibliographie

- Picard, J. “Digital authentication with copy-detection patterns.” Proc. SPIE 5310, Security, Steganography, and Watermarking of Multimedia Contents VI, 2004.
- Taran, O., Tutt, J., Holotyak, T., Chaban, R., Bonev, S., and Voloshynovskiy, S. “Mobile authentication of copy detection patterns.” EURASIP Journal on Information Security, 2023.
- Tutt, J., Taran, O., Chaban, R., Pulfer, B., Belousov, Y., Holotyak, T., and Voloshynovskiy, S. “Authentication of copy detection patterns: A pattern reliability based approach.” IEEE Transactions on Information Forensics and Security, 2024.
- Belousov, Y. et al. “A Machine Learning-Based Digital Twin for Anti-Counterfeiting Applications With Copy Detection Patterns.” IEEE Transactions on Information Forensics and Security, 2024.
- Kim, S., Kim, D., Cho, M., and Kwak, S. “Proxy Anchor Loss for Deep Metric Learning.” CVPR, 2020.
- Locatello, F. et al. “Challenging Common Assumptions in the Unsupervised Learning of Disentangled Representations.” ICML, 2019.
- Johnson, J., Douze, M., and Jégou, H. “Billion-scale similarity search with GPUs.” IEEE Transactions on Big Data / arXiv preprint, 2017.
- Malkov, Y. A., and Yashunin, D. A. “Efficient and Robust Approximate Nearest Neighbor Search Using Hierarchical Navigable Small World Graphs.” IEEE TPAMI, 2020.
- Gollapudi, S. et al. “Filtered-DiskANN: Graph Algorithms for Approximate Nearest Neighbor Search with Filters.” The Web Conference, 2023.

Mots clés

détection de falsifications, espace latent, recherche par similarité, transformateurs de vision