+33 (0)7 83 26 73 89
zegaoui@lirmm.fr
Doctorant en informatique au laboratoire LIRMM et ingénieur-rechercheur au sein de la DRIT à Berger-Levrault
Baccalauréat S, Montpellier
Master informatique, Université de Montpellier, parcours IMAGINA
Stage partenariat LIRMM/Agence des aires marines
Thèse CIFRE LIRMM/Berger-Levrault
Le développement des dispositifs d'acquisition LiDAR mobiles terrestres, montés sur véhicule ou drone, rendent possible la numérisation de villes entières sous la forme de nuages de points tridimensionnels géo-référencés. L'exploitation de ces données par les gestionnaires de ville permettent le recensement ainsi que le suivi au cours du temps des objets urbains qu'ils soient fixes (lampadaires, abribus…), mobiles (containes de poubelle) ou naturels (arbres) afin de pouvoir intervenir en cas de disparition, déplacement, détérioration ou de danger potentiel.
Cette approche nécessite d'être en mesure de traiter des grands nuages pouvant compter plusieurs centaines de millions de points et réunir des milliers d'objets. Il devient donc nécessaire d'automatiser les traitements appliqués aux nuages de points afint de pouvoir extraire et classer automatiquement les éléments qui correspondent à des objets urbains.
Dans cette thèse nous explorons la piste récente de l'apprentissage profond appliqué aux données non structurées pour réaliser la localisation et la reconnaissance automatique d'objets urbains dans un nuage de points 3D.
Nous avons ainsi développé une architecture neuronale 3D que nous avons basée sur une couche originale permettant simultanément de regrouper des points et d'en extraire des caractéristiques. A partir de cette architecture, nous présentons les résultats que nous avons obtenues sur la tâche de détection d'objets urbains dans des nuages de points LiDAR obtenus dans des rues de grandes villes.
Urban object classification with 3D Deep-Learning, Younes Zegaoui, Marc Chaumont, Gérard Subsol, Philippe Borianne, Mustapha Derras. JURSE 2019
Classification d’objets urbains à partir de données LiDAR 3D terrestre par Deep-Learning, Younes Zegaoui, Marc Chaumont, Gérard Subsol, Philippe Borianne, Mustapha Derras. SAGEO 2018
First Experiments of Deep Learning on LiDAR Point Clouds for Classification of Urban Objects, Younes Zegaoui, Marc Chaumont, Gérard Subsol, Philippe Borianne, Mustapha Derras. CFPT 2018
Cette base de données porte sur la classification d'objets urbains sous forme de nuage de points 3D LIDAR. L'objectif principal est de pouvoir prendre un nuage de points correspondant à un scan géoréférencé d'une ville et localiser précisément tous les objets urbains tels que panneaux de signalisation, voitures, arbres, etc ... et collecter des informations sur leur statut, comme par exemple un arbre en croissance ou bien un panneau de signalisation endommagé. Le jeu de données est constitué de nuages de points 3D d'objets urbains répartis en 7 classes :