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 // Evidential prediction uncertainty quantification for fish life traits from 3D otol

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.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Understanding fish life traits (habitat, age, growth, reproduction, longevity, position in the water column, …) is an essential aspect of effective and sustainable management of marine fish stocks. Calcified structures — particularly otoliths, which are the only metabolically inert elements — provide a valuable source of information for this purpose. Notably, their external shape, historically characterized from 2D images and more recently studied in 3D, makes it possible to predict these life traits with high precision. Although 3D images are more informative, they are also more costly to acquire and relatively recent, and therefore less abundant. It is thus necessary to make the best possible use of this rich yet limited source of information in order to obtain the most reliable and accurate predictions. The theory of evidence, also known as Dempster–Shafer theory or the theory of belief functions, is a generalization of the probabilistic framework for reasoning under uncertainty. Its use for uncertainty quantification in predictive modeling is particularly suitable in cases where data are scarce. This PhD project therefore aims to develop predictive methods based on this theory and adapted to current approaches for predicting fish life traits from 3D otolith images. Given the nature of this application, the prediction of ordinal variables will be at the core of the methodological developments.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026
WEB : https://www.lgi2a.univ-artois.fr/spip/fr/postes_ouverts/poste-ouvert-32

Financement d'un établissement public Français

Université d'Artois

585 Sciences, Technologie, Santé

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.
The candidate must hold a master degree or an engineer degree in computer science, applied mathematics or related field. Knowledge in artificial intelligence (machine learning) and/or image processing will be an asset, as well as an awareness of uncertainty management methods. Qualities required to successfully complete a doctoral program such as curiosity, creativity, autonomy, critical thinking, and enthusiasm will be necessary.