APPRENTISSAGE ET DÉTECTION DE PRIMITIVES GÉOMÉTRIQUES 3D AVEC DES RÉSEAUX DE NEURONES

par Théo Deprelle

Projet de thèse en Signal, Image, Automatique

Sous la direction de Pascal Monasse.


  • Résumé

    L'objectif de la thèse de Théo Deprelle est dans un premier temps de développer une méthodologie permettant de représenter un modèle 3D comme un ensemble de primitives dont les paramètres et les éventuelles déformations seront prédits par un réseau de neurones à partir d'un simple nuage de point représentant l'objet. Théo a commencé à travailler sur cet axe pendant son stage, et ses résultats permettent d'affirmer qu'une telle approche est possible et ouvre de nombreuses perspectives de recherche. En particulier, Théo s'intéressera à la représentation de la connectivité entre les différentes parties d'une forme, et à la régularisation de la représentation pour pouvoir la généraliser à des scans 3D bruités, anisotropes et partiels. Dans un second temps, l'objectif sera d'utiliser la nouvelle représentation développée pour découvrir des éléments d'intérêt dans des modèles 3D. Par exemple, nous souhaitons pouvoir identifier immédiatement les colonnes comme des éléments pertinents dans le modèle 3D d'un temple grec, les localiser, et pouvoir analyser leurs variations. Nous avons sur ce point commencé une collaboration avec la start-up Iconem, qui nous a fourni des jeux de données d'étude (architecture à l'échelle d'un groupe de bâtiments, et même modèle 3D complet de l'île-sanctuaire de Delos). D'autres axes pourront être considérés en fonction des résultats obtenus. En particulier, l'approche développée pourrait s'avérer pertinente pour travailler sur la factorisation d'une forme 3D en un modèle simplifié et un style. Elle pourrait aussi vraisemblablement aboutir à une manière efficace de proposer un maillage simple et de qualité pour un nuage de points.

  • Titre traduit

    LEARNING AND DETECTION OF 3D GEOMETRIC PRIMITIVE USING NEURAL NETWORKS


  • Résumé

    .