Deep learning for change detection in 3D point clouds
Apprentissage profond pour la détection de changements dans des nuages de points 3D
Résumé
Whether caused by geomorphic processes or by human activities, contemporary times are accompanied by ever more rapid and frequent changes in our landscapes. Monitoring these changes requires regular modeling of our environment. Rather than limiting ourselves to a two- dimensional representation, it seems appropriate to use 3D data to embody our world, using point clouds for example. However, the complexity of this data format makes it necessary to create specific methodologies for their analysis. Therefore, deep learning appears to be the appropriate solution to process 3D observations of the Earth. This thesis focuses on change detection in 3D point clouds with deep learning. First, a 3D point cloud simulator in an urban environment has been developed. It allows to randomly generate datasets with a realistic evolution of the urban environment. After an experimental comparison of the state-of-the-art methods, this thesis proposes Siamese architectures for supervised change detection both in urban environment and in geosciences using kernel point convolutions (KPConv). Finally, in order to reduce tedious data annotation, the thesis focuses on weakly supervised methods with transfer learning, self-supervision and deep clustering. These methods are promising in this context, nevertheless a particular importance must be given to the design of the deep architecture.
L'époque contemporaine s'accompagne de changements toujours plus rapides et fréquents de nos paysages, qu'ils soient causés par des processus géomorphologiques ou par des activités humaines. Le suivi de ces évolutions nécessite une modélisation régulière de notre environnement. Plutôt que se limiter à une conception bidimensionnelle, il parait judicieux d'utiliser des nuages de points 3D. La complexité de ce format de données rend néanmoins nécessaire la création de méthodologies spécifiques pour leur analyse. Aussi, l'apprentissage profond apparaît comme la solution adéquate pour traiter les observations 3D de la Terre. Cette thèse se concentre donc sur la détection de changements dans des nuages de points 3D par apprentissage profond. Dans un premier temps, un simulateur de nuages de points 3D en milieu urbain a été développé pour générer aléatoirement des jeux de données avec une évolution réaliste de l'environnement urbain. Après une comparaison expérimentale des méthodes existantes, des architectures Siamoises sont proposées pour la détection supervisée de changements tant dans le milieu urbain qu'en géosciences en utilisant des convolutions à points noyaux (KPConv). Afin de réduire l'annotation fastidieuse des données, la thèse s'intéresse aussi aux méthodes faiblement supervisées avec l'apprentissage par transfert, l'auto-supervision et le clustering profond. Bien que ces méthodes se révèlent prometteuses, une importance particulière doit être portée à la conception de l'architecture profonde.
Origine : Version validée par le jury (STAR)