|
Résumé :
|
En raison des avancées des techniques d'acquisition de nuages de points, ces données permettent aux machines d'acquérir une compréhension plus approfondie de leur environnement, ce qui rend l'automatisation de la segmentation sémantique indispensable pour rester au diapason de l'immense potentiel offert par les avancées en matière d'apprentissage profond, en particulier compte tenu de la disponibilité de jeux de données open source créés par diverses entités. L'objectif de ce mémoire est d'accomplir la segmentation sémantique d'un nuage de points que nous avons subdivisé en deux parties distinctes. La première partie représente l'intérieur, spécifiquement une chambre d'un appartement d’une résidence. La seconde partie concerne l'extérieur et se concentre sur la façade de la même résidence, en y incluant quelques éléments de l'environnement extérieur, et ce en exploitant les algorithmes d’apprentissage profond. L’approche suivie repose, dans un premier temps, sur le prétraitement des nuages de points. Puis, KPConv (Kernel Point Convolution), un modèle pré-entraîné sur le jeu de données S3DIS (Stanford Large-scale 3D Indoor Spaces Dataset), est appliqué sur le nuage de points reconstituant l’environnement intérieur 3D. Quant à l’environnement extérieur, VGG (Visual Geometry Group), un modèle d’apprentissage profond pré-entraîné sur la base de données Semantic3D, est utilisé dans le but d’extraire la sémantique du nuage de points. Les résultats de l'étude témoignent de la fiabilité des modèles employés. Cela est d'abord démontré par l'utilisation de la métrique mIoU, largement reconnue pour évaluer la performance de la segmentation. En particulier, pour l'environnement intérieur (Indoor), un mIoU de 57.75% a été obtenu cette valeur excède celle de Pointnet, qui affiche un mIoU de 47.6%, et se rapproche de la valeur de mIoU validée pour la zone 5 de S3DIS, laquelle atteint 66.7%, tandis que pour l'environnement extérieur (Outdoor), le mIoU est égal à 43.70% égalant ainsi celle de DeepNet, qui est publiée sur le site officiel de Semantic3D. De plus, sur le plan visuel, il est notable que la majorité des nuages de points sont bien segmentés, à l'exception de certaines classes pour lesquelles des difficultés subsistent.
|
