Apprentissage profond non supervisé pour l'analyse et la simplification de modèles 3D de ville

Unsupervised deep learning for 3D city models analysis and simplification

• Auteur / Autrice : Elliot Vincent
• Direction : Mathieu Aubry, Jean Ponce
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/09/2021
• Etablissement(s) : Marne-la-vallée, ENPC
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique de l'Institut Gaspard Monge (1997-2009)
• Partenaire(s) de recherche : Equipe de recherche : A3SI - Algorithme, Architecture, Analyse et Synthèse d'Image

Mots clés

Mots clés libres

Vision

Apprentissage profond

Non supervisé

Modèles 3D

Simplification

Prototypes

Vision

Deep learning

Unsupervised

3D models

Simplification

Prototypes

Résumé

Le but de la thèse est la décomposition et la simplification de scènes 3D à partir de prototypes en faisant face à plusieurs défis : comment apprendre sans supervision ? comment gérer la complexité inhérente à des données réelles ? et comment passer des méthodes à l'échelle de millions de points ? La bonne compréhension de modèles 3D de ville est indispensable à la mise en place de pratiques automatisées de maintenance, de propreté et de planification de l'espace urbain.

This thesis aims at decomposing and simplify 3D scenes using object prototypes while facing several challenges : how to learn without supervision, how to work with complex real-life data and how to ensure the scalability up to millions of points? The good understanding of 3D city models is necessary for the implementation of automatized methods of maintenance and cleaning of the urban space.