1. A propos du document

1. Auteur : Sami Barchid
2. Type : Thèse de doctorat
3. Langue : Français
4. Licence : Thèse académique - Université de Lorraine

2. Courte description du document

Thèse sur l'apprentissage profond pour la reconnaissance d'objets 3D, explorant les réseaux de neurones graphiques et les méthodes de traitement de nuages de points pour l'analyse de scènes tridimensionnelles.

3. Longue description du document

Cette thèse de doctorat présente des recherches innovantes dans le domaine de l'apprentissage profond appliqué aux données 3D, plus spécifiquement consacrée à la reconnaissance d'objets dans des nuages de points. Le travail de Sami Barchid aborde les défis fondamentaux du traitement de données tridimensionnelles non structurées et développe des architectures de réseaux de neurones spécialisées pour l'analyse de scènes 3D complexes.

La recherche se concentre particulièrement sur les réseaux de neurones graphiques (Graph Neural Networks) qui offrent une approche naturelle pour modéliser les relations spatiales entre points dans un nuage 3D. L'auteur propose des méthodes avancées pour la représentation des caractéristiques géométriques et l'extraction de features hiérarchiques à partir de données 3D brutes, sans nécessiter de pré-traitement lourd ou de conversion en formats structurés.

Le document explore en profondeur les techniques de partitionnement de graphes appliquées aux nuages de points, permettant une analyse multi-échelle des structures 3D. Ces approches permettent de capturer à la fois les caractéristiques locales et le contexte global des objets dans une scène, essentiel pour une reconnaissance robuste. L'auteur développe des mécanismes d'agrégation d'informations innovants qui améliorent significativement la capacité des modèles à généraliser.

Une contribution majeure de cette thèse réside dans le développement de méthodes efficaces pour l'apprentissage de représentations 3D qui préservent les propriétés géométriques et topologiques des objets. Ces travaux incluent des avancées dans l'apprentissage par contrast et les techniques de pré-entraînement auto-supervisé spécifiquement adaptées aux données 3D, réduisant ainsi la dépendance aux jeux de données annotés de grande taille.

Les expérimentations menées sur des benchmarks standards de reconnaissance 3D démontrent des performances state-of-the-art, validant l'efficacité des approches proposées. Les applications potentielles couvrent des domaines variés comme la robotique, la réalité augmentée, les systèmes autonomes et l'analyse d'environnements virtuels. Cette thèse représente une avancée significative dans le domaine de la vision par ordinateur 3D et ouvre des perspectives importantes pour le traitement intelligent de données tridimensionnelles.

Par son approche rigoureuse combinant fondements théoriques et validation expérimentale, ce travail constitue une référence précieuse pour les chercheurs et praticiens en intelligence artificielle, vision par ordinateur et traitement de données 3D.

Voir ou télécharger le document sur le site d'origine

Ce document est hébergé par une source externe. Nous ne revendiquons aucun droit sur son contenu. Pour toute demande de retrait, veuillez contacter l'auteur ou l'hébergeur officiel.