Contribution à la reconnaissance des Objets 3D

Abstract

De nos jours, les modèles 3D jouent un rôle important dans de nombreuses applications. En raison de la croissance rapide du nombre de modèles 3D, la compréhension, la classification et la reconnaissance de tels modèles sont devenues des domaines intéressants de la vision par ordinateur. Dans ce contexte, notre objectif est de reconnaitre un objet 3D, Soit à partir d’une base d’apprentissage d’objets 3D, où bien d’une scène 2D contenant plusieurs objets. Notre idée est de combiner des aspects d’approches existantes et d’apporter une amélioration des performances de la reconnaissance et de la segmentation sémantique. Cette thèse sera divisée en deux grands axes: dans le premier axe, nous nous sommes penchés sur la classification et la reconnaissance des objets 3D, où nous présentons deux approches différentes. La première approche est basée sur l’indexation 2D/3D. Elle caractérise la forme de l’objet 3D à l’aide des projections 2D. Ce type d’approches nécessite de mettre en place trois traitements distincts à savoir: l’extraction des vues, la description pertinente de leur forme et le processus de classification qui doit permettre de répondre aux requêtes de l’utilisateur. Pour ce dernier traitement, nous avons utilisé l’algorithme de reconnaissance de nuages de points $P. cet algorithme nous offre deux possibilités de recherche, soit directement avec une image requête soit avec un autre objet 3D en comparant leurs ensembles de vues. La deuxième approche agit directement sur la forme du modèle 3D (indexation 3D/3D). L'idée clé est qu’à partir d'une fonction de forme mesurant les propriétés géométriques globales d'un objet, nous représentons sa signature sous forme d'une distribution. En effet, la stratégie proposée est la suivante: à partir d’un objet polygone à reconnaître, une triangulation est effectuée. Ensuite, les distances sont calculées entre deux points aléatoires de la surface de l'objet 3D. Puis, la distribution de ces distances sera représentée par un histogramme normalisé. Finalement, les valeurs de ces histogrammes alimentent un réseau de neurones multicouches. Dans le second axe, nous nous sommes intéressés à la segmentation sémantique d’une scène 2D contenant plusieurs objets. Le défi est d’effectuer une segmentation sémantique en temps réel tout en garantissant un compromis remarquable en termes de précision et de rapidité. Pour cela, nous avons développé un nouveau module basé sur des techniques récentes telles que les convolutions séparables profondes et la convolution dilatée. Ensuite, nous avons choisi d’utiliser la technique dense connectivité, afin de rassembler les caractéristiques extraites de différentes couches et de réduire notablement le nombre de paramètres.8 Des résultats quantitatifs et qualitatifs sont présentés tout au long de ce manuscrit. Sur certains aspects de la reconnaissance d’objet et de la segmentation des scènes.