Le vendredi 30 juin à 12h30 à l’IUT de Reims en Amphi Y4, Théo Barrios nous présen­tera ses travaux de thèse sous la direc­tion du jury suivant :

Pr. Céline Loscos – Univer­sité de Reims Cham­pagne-Ardenne – Direc­trice de thèse
Dr. Stépha­nie Prévost – Univer­sité de Reims Cham­pagne-Ardenne – Enca­drante de thèse
Pr. Raphaëlle Chaine – Univer­sité de Lyon 1 – Rappor­teur
Pr. Min H. Kim – KAIST School, Daejong, Corée du Sud – Rappor­teur
Pr. Daniel Mene­veaux – Univer­sité de Poitiers – Exami­na­teur
Pr. Nico­las Passat – Univer­sité de Reims Cham­pagne-Ardenne – Exami­na­teur


Résumé : La recons­truc­tion 3D à partir d’images est un problème clas­sique en vision par ordi­na­teur dont les solu­tions diffèrent suivant la confi­gu­ra­tion du système de capta­tion (2 à n vues, alignées ou non). Cette thèse s’in­té­resse à la recons­truc­tion 3D basée dispa­rité à partir d’image Ultra HD captée par une grille planaire de camé­ras à large base­line.La recherche montre un inté­rêt crois­sant pour l’uti­li­sa­tion des méthodes d’ap­pren­tis­sage profond pour la recons­truc­tion basée dispa­rité avec des confi­gu­ra­tions de camé­ras connexes, notam­ment en stéréo, stéréo multi-vue et image plénop­tique. Toute­fois leur adap­ta­tion pour des grilles de camé­ras avec une large base­line et des images d’en­trée Ultra HD reste diffi­cile. Nous propo­sons donc une approche d’ap­pren­tis­sage profond super­visé avec trois contri­bu­tions. Tout d’abord, une solu­tion de recons­truc­tion géné­rant pour un point de vue (centre, bord, coin), une carte de dispa­rité en Full HD en temps inter­ac­tif et en moins de 1.5 seconde pour de l’Ul­tra HD. Pour permettre un entraî­ne­ment effi­cace de cette méthode, nous propo­sons un jeu de données d’en­traî­ne­ment généré de manière procé­du­rale. Ce jeu permet d’en­traî­ner de façon plus robuste des réseaux plus lourds que ceux propo­sés dans l’état de l’art pour ce type de confi­gu­ra­tion. Nous propo­sons enfin une fonc­tion de perte pour l’en­traî­ne­ment des réseaux de neurones augmen­tant la préci­sion de la recons­truc­tion sans augmen­ter la quan­tité d’out­liers. Nous mettons égale­ment en avant certaines limites dans l’éva­lua­tion des méthodes par réseaux de neurones du fait du non-déter­mi­nisme de leur entraî­ne­ment. Les conclu­sions tirées de nos expé­riences prennent en compte cette limi­ta­tion.