Structure detection in complex 3D geometry : from non-rigid matching to outlier removal in 3D point clouds
Détection de structures au sein de géométries 3D complexes : correspondances non-rigides et suppression de points aberrants dans des nuages de points 3D
Résumé
The growing need for building digital twins of industrial powerplants, lead to the development of large-scale visual data acquisition in these infrastructures, mainly in the form of images and LiDAR-acquired point clouds. With this increased amount of available data, comes the need to process it efficiently with minimum human supervision. While 2D image analysis can now be easily conducted via deep convolutional neural networks (CNNs), the direct translation of these tools to the 3D domain remains challenging. In this thesis, we explore the analysis of 3D data through two types of problem: shape matching using traditional geometrical tools and reflection-induced outlier detection in 3D point clouds with supervised learning. For the first type of problems, we propose a local functional basis of ``Mexican hat'' diffusion wavelets to efficiently solve partial 3D shape matching. For the second type of problem, we construct a dataset, tailored for reflection-induced outlier detection, and conduct an extensive study of semantic segmentation architectures to solve it.
Le besoin croissant d'établir des jumeaux numériques de centrales industrielles a conduit au développement de campagnes d'acquisition de données à grande échelle en leur sein, principalement sous la forme d'images et de nuages de points acquis par LiDAR. Cette augmentation en quantité de données disponibles conduit à la nécessité de pouvoir traîter cette information efficacement avec une supervision humaine minimale. Alors que l'analyse d'images 2D peut désormais s'effectuer facilement par l'emploi de réseaux de neurones convolutifs (CNNs), la traduction de ces outils au domaine 3D demeure exigeante. Dans cette thèse, nous explorons l'analyse de données 3D à travers deux types de problèmes : la correspondance de formes en utilisant des outils géométriques standards et la détection de points aberrants provoqués par des réflexions dans des nuages de points 3D par l'apprentissage supervisé. Pour le premier type de problème, nous proposons une base de fonctions locales d'ondelettes de diffusion en ``chapeau mexicain'' pour résoudre efficacement un problème de correspondances de formes partielles. Pour le second type de problème, nous construisons un jeu de données, spécialement conçu pour la détection de points aberrants provoqués par des réflexions, et conduisons une étude extensive d'architectures de segmentation sémantique pour le résoudre.
Origine : Version validée par le jury (STAR)