Contributions à la classification des objets 3d par la méthode des moments et du Deep Learning

Abstract

La reconnaissance des modèles 3D à partir des scènes réelles constitue un sujet de recherche toujours en plein essor. Au cours des dernières années, l’apprentissage profond est devenu le principal outil pour résoudre un large éventail de problèmes de reconnaissance et de classification 3D. Cependant, le principal problème des réseaux de neurones convolutionnels 3D, qui sont les principales approches d’apprentissage profond pour de telles tâches, réside dans le coût de calcul élevé requis pour les entrainer et les utiliser. Dans cette thèse, nous avons contribué à la réduction de la complexité et à l’amélioration de l’efficacité des réseaux de neurones convolutionnels 3D par la méthode des moments. À cette fin, nous avons utilisé les moments discrets orthogonaux 3D comme première couche de l’architecture proposée. En effet, Ces descripteurs de formes ont la capacité de représenter les modéles 3D efficacement dans des ordres inférieurs avec une faible dimensionnalité. Cela implique une diminution importante du nombre de paramètres et des couches lors de l’apprentissage utilisant l’architecture proposée. Les contributions apportées dans cette thèse concernent d’une part l’optimisation du calcul des moments orthogonaux discrets 3D effectués au niveau de la première couche de l’architecture proposée. D’autre part, la proposition d’une nouvelle architecture pour l’apprentissage des matrices des moments calculées à partir des images d’entrée. La première contribution est la proposition d’une méthode récursive compacte de calcul 3D des moments de Tchebichef. Cette nouvelle méthode basée sur la formule de récurrence de Clenshaw et la propriété de symétrie des polynômes orthogonaux de Tchebichef a conduit à une réduction de la complexité et du temps de calcul par rapport aux algorithmes classiques de calcul des moments 3D. Malgré les bons résultats obtenus le problème du temps de calcul restait encore ouvert. Dans la deuxième contribution, nous avons proposé un algorithme pour le calcul rapide de moments discrets 3D de Hahn en utilisant un algorithme basé sur la multiplication de matrice et la propriété de symétrie des polynômes de Hahn. La performance iv de l’algorithme proposé est prouvée par des expériences de reconstruction d’objets 3D avec et sans bruit. Les résultats expérimentaux et l’analyse de complexité ont montré que la méthode proposée surpasse la méthode simple, et la méthode récursive compacte surtout pour des images 3D de grande taille. Dans la troisième contribution nous avons proposé l’extraction des caractéristiques locales à partir d’une région d’intérêt d’un objet 3D à l’aide des moments orthogonaux discrets de Hahn, Krawtchouk et de Charlier. Nous avons également associé les moments de Tchebichef avec la fonction de pondération des polynômes de Krawtchouk pour extraire des caractéristiques locales 3D. Dans la quatrième contribution nous avons proposé une nouvelle architecture nommée 3D MCNN basée sur l’utilisation des moments orthogonaux discrets 3D pour alimenter des réseaux de neurones convolutionnels 3D. Ce qui a permis de réduire énormément le nombre des paramètres et des couches et par conséquence, de construire des modèles efficace et rapide pour la classification des objets 3D. Finalement, l’architecture proposée est évaluée sur les bases de données d’objets non rigides MacGill et SHREC 2011, la base de données d’objets rigidesModelNet10 et les bases de données AVL etters, OuluVS2 et BBC LRWrelatives à la lecture labiale. Les résultats montrent une efficacité et une pertinence comparés avec les autres méthodes de l’état-de-l’art.