Etudiant : ALLAOUI Asmae

Filière : Master Web Intelligence et Sciences des Données (WISD)

Encadrant : Pr. EL FAZAZY KHALID

Annèe : 2021

Résumé : Ce projet intitulé « classification et segmentation des objets tridimensionnels par les méthodes de Deep Learning » est réalisé dans le cadre de la préparation du diplôme de Master fondamentale Web Intelligence et science des données à la faculté des sciences DHAR ELMAHRAZ FES de l’Université Sidi Mohamed Ben Abdellah pour l’année universitaire 2020/20121, au sein de l’entreprise 3D Smart Factory. La finalité de ce projet étant d’acquérir les notions de base des modèles tridimensionnelle et ses différentes représentations, nous avons donc choisi comme cas d’étude la classification et la segmentation sémantique des objets tridimensionnels. Pour réaliser ce travail on a utilisé la méthode DGCNN : Dynamic Graph Convolution Neural Network c’est une méthode basée sur le Deep Learning de l’approche Point Cloud de la représentation tridimensionnelle pour la classification et la segmentation de maillages 3D. Les nuages de points fournissent une représentation géométrique flexible et évolutive qui convient à d'innombrables applications en infographie, ils constituent également la sortie brute de la plupart des dispositifs d'acquisition de données 3D. Si les caractéristiques conçues à la main sur les nuages de points ont longtemps été proposées dans les domaines du graphisme et de la vision. L’immense succès récent des réseaux de neurones convolutifs (CNN) pour l'analyse des images suggère l'intérêt d'adapter les connaissances des CNN au monde des nuages de points. Les nuages de points manquent intrinsèquement d'informations topologiques. La conception d'un modèle permettant de récupérer la topologie peut donc enrichir le pouvoir de représentation des nuages de points. À cette fin, nous proposons un nouveau module de réseau neuronal, appelé EdgeConv, qui convient aux tâches de haut niveau basé sur les CNN pour les nuages de points, notamment la classification et la segmentation. EdgeConv agit sur des graphes calculés dynamiquement dans chaque couche du réseau. Il est différentiable et peut être intégré aux architectures existantes. Nous montrons la performance de la méthode DGCNN sur des jeux de donnes standards tels que ModelNet et ShapeNet.