Détection et caractérisation du changement à partir de nuages de points 3D par des méthodes (...)
- Dynafor
- 15 déc. 2021
- 1 min de lecture
Dernière mise à jour : 11 janv. 2022

Titre complet: Détection et caractérisation du changement à partir de nuages de points 3D par des méthodes d’apprentissage profond.
Par Iris de Gélis (doctorante, unité IRISA)
Pour effectuer une mise à jour cartographique ou bien pour identifier les zones affectées en cas de catastrophes, la détection et la caractérisation automatique des changements est une étape importante. Dans un certain nombre de milieux comme en zones urbaines, la plupart des changements se produisent le long de l'axe vertical (constructions ou démolitions de bâtiments par exemple) et l'utilisation de données 3D comme des nuages de point est donc intéressante. Cependant les nuages de point 3D sont des données très particulières car, contrairement aux images, elles ne sont pas réparties sur des grilles régulières mais on a des données parfois éparses et non ordonnées. Pour faire face à ces spécificités, un certain nombre de méthodes effectue une discrétisation préalable des données en modèles numériques de surface pour appliquer des outils usuels du traitement d'images. Dans ce cas ça n'est pas optimal car il peut y avoir une perte importante d'information. D'autres approches analysent directement de nuages de points. Cette dernière famille n'a à notre connaissance pas encore été abordée sous l'angle de l'apprentissage profond. Ainsi je présenterai une méthode pour la détection et caractérisation du changement basée sur un réseau siamois s'appuyant sur des noyaux de convolution opérant sur les points 3D directement. La méthode a été conçue sur la base des bons résultats obtenus par les architectures siamoises en détection de changements dans des images 2D et par le réseau KPConv en segmentation sémantique de nuages de points 3D.
Comments