Apprentissage de nouvelles représentations pour la sémantisation de nuages de points 3D

par Hugues Thomas

Projet de thèse en Informatique temps réel, robotique et automatique - Paris

Thèses en préparation à Paris Sciences et Lettres , dans le cadre de Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique , en partenariat avec Mathématiques et Systèmes (laboratoire) , CAOR - Centre de CAO et Robotique (equipe de recherche) et de École nationale supérieure des mines (Paris) (établissement de préparation de la thèse) depuis le 10-10-2016 .


  • Résumé

    L'objectif de cette thèse est de développer des méthodes et outils automatiques de reconnaissance d'infrastructures urbaines et ferroviaires à grande échelle à partir de données 3D LIDAR. En s'inspirant de la littérature on cherchera dans un premier temps à évaluer le potentiel de méthodes déjà existantes, et de proposer des améliorations pour certaines. Dans un deuxième temps, on se penchera sur des méthodes novatrice venant d'autres domaines (on pourra s'inspirer du traitement d'image en essayant d'adapter des méthodes de Deep Learning). Un aspect important de la thèse sera aussi de se pencher sur des données de grande échelle, ce qui implique de trouver des méthodes efficaces meme pour traiter des milliards de points.

  • Titre traduit

    Learning new representation for 3D Point Clouds Semantic Classification


  • Résumé

    This project will focus on the developpment of new and automatic methods for the recognition of urban or railway facilities on a large scale, using 3D LIDAR data. First we will go through the litterature and evaluate pre-existing methods, hopefully finding how to upgrade some of these methods. Then we will search for brand new methods to deal with our problem. Some might come from other fields like Deep Learning from Computer Vision. One important aspect of the work will be to consider large scale 3D scenes, which implies that we focus on efficient methods that can deal with billions of points.