Discrétisation 2D/3D de nuages de points Lidar : traitement à l'aide des hiérarchies morphologiques et des réseaux de neurones profonds

2D/3D discretization of Lidar point clouds : processing with morphological hierarchies and deep neural networks

• Auteur / Autrice : Florent Guiotte
• Direction : Thomas Corpetti, Sébastien Lefèvre
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 25/01/2021
• Etablissement(s) : Rennes 2
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Littoral- Environnement- Télédétection- Géomatique UMR 6554 / LETG
• Jury : Président / Présidente : Dimitri Lague
• Jury : Examinateurs / Examinatrices : Ewa Kijak, Clément Mallet, Maria Vakalopoulou
• Jury : Rapporteurs / Rapporteuses : Beatriz Marcotegui, Pedram Ghamisi

Mots clés

Mots clés contrôlés

Apprentissage machine

Apprentissage profond

Morphologie mathématique

Lidar

Mots clés libres

Lidar

Morphologie mathématique

Apprentissage profond

Apprentissage automatique

Lidar

Mathematical morphology

Deep learning

Machine learning

Résumé

Cette thèse évalue le potentiel des méthodes hiérarchiques d'analyses morphologiques et des réseaux de neurones profonds pour analyser les données Lidar au moyen de plusieurs stratégies de discrétisation. La quantité de données Lidar augmente de manière exponentielle en termes de superficies couvertes et de résolution spatiale. Cependant, ces données ne sont pas encore pleinement exploitées en raison du manque d'outils méthodologiques efficaces. Les approches morphologiques sont connues pour extraire des caractéristiques multi-échelles fiables tout en étant extrêmement efficaces sur le plan calculatoire. Dans le même temps, la formidable percée de l'apprentissage profond en vision par ordinateur a bouleversé la communauté de la télédétection. Afin d'évaluer ces outils, nous définissons et évaluons différentes stratégies de discrétisation des données. Dans une première partie, nous réorganisons les nuages de points Lidar en grilles régulières 2D. Nous proposons de dériver plusieurs caractéristiques, en extrayant, en plus de l'altitude, des informations spécifiques au Lidar (valeurs spectrales, nombre de retours, etc). Dans une deuxième partie, nous réorganisons les nuages de points en grilles régulières 3D. Cela permet de fournir le contexte de voisinage nécessaire aux approches morphologiques hiérarchiques et les grilles proposées sont aussi adaptées aux couches d'entrée des réseaux de neurones profonds. Les différents développements proposés ont systématiquement fait l'objet d'une validation en télédétection.

This thesis evaluates the relevance of morphological hierarchies and deep neural networks for analysing Lidar data by means of several discretization strategies. The quantity of data increases exponentially in coverage and resolution. However, actual datasets are not yet fully exploited due to the lack of efficient methodological tools for this specific type of data. Morphological structures are known to extract reliable multi-scale features while being extremely computationally efficient. In the mean time, the tremendous breakthrough of deep learning in computer vision has shaken up the remote sensing community. To this end we define and evaluate different discretization strategies of Lidar data. In a first part, we re-organise the point clouds into 2D regular grids. We propose to derive several Lidar features, trying to extract complete elevation description and spectral values along with Lidar specific information. In a second part we re-organise the point clouds into 3D reg-ular grids. The regular grids are sufficient to provide the neighboring context needed for the morphological hierarchies, and the proposed grids are also adapted to the input layers of state-of-the-art deep neural networks. The different methods are systematically validated in remote sensing scenarios.