Reconnaissance d’objets 3D –point de vue complètement différent –pas d’invariant 3D Difficultés :

Slides:



Advertisements
Présentations similaires
BASE DE DONNEES CFAO Qu’est-ce que la B.D.
Advertisements

Chaîne de Synthèse Réel Modélisation Rendu Image Fichier Scène
Apprentissage spectral
S. Meshoul & M. Batouche Equipe Vision, Laboratoire LIRE
Regroupement (clustering)
Efficient Simplification of Point-Sampled Surfaces
Regroupement (clustering)
Marine Campedel mars 2005 INDEXATION des IMAGES Marine Campedel mars 2005.
Évaluation de la qualité d'une clusterisation
Image et apprentissage
Introduction Pour concrétiser l’enseignement assisté par ordinateur
Application de réseaux bayésiens à la détection de fumées polluantes
Scoring Séance II.
4.2. Descripteurs : BoF et BoW
Piecewise Affine Registration of Biological Images
Xialong Dai, Siamak Khorram
Un modèle pour ladaptation dynamique des programmes parallèles Jérémy Buisson RenPar 2005 vendredi 8 avril 2005.
Master Informatique 2ème année
CLUB DES UTILISATEURS FRANCOPHONES STAR- APIC Ville de Liège – Halle aux Viandes 24 et 25 novembre 2010 Bénéfices de la migration vers Elyx.
Maillage et création de surface sous Geomagic
Monique THONNAT et Nathanaël ROTA Projet ORION
Eric Guilbert, Marc Daniel *, Eric Saux
Recherche d’un même objet / scène
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
Mais l’analyse visuelle des mots est fragile :
Traitements d'images et Vision par ordinateur
Les systèmes d'information géographique servent principalement à :
Administration de bases de données spatiales avec SavGIS
FRE 2645 CIDED04 : 22 Juin 2004 Système de reconnaissance structurelle de symboles, basé sur une multi représentation en graphes de régions, et exploitant.
La reconnaissance et l'organisation des formes
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
Mise en correspondance et Reconnaissance
RECONNAISSANCE DE FORMES
Construction de modèles visuels
Bases de données lexicales
Plan de l’exposé Présentation de l’équipe Présentation du stage
TRAITEMENT D’IMAGE SIF-1033.
Mise en oeuvre des MMCs L'utilisation des MMCs en reconnaissance des formes s'effectue en trois étapes : définition de la topologie de la chaîne de Markov,
Base de données multimédia Cordelia Schmid
Appariement de deux images
Recherche dun même objet / scène Approches basées sur des descripteurs locaux Approches basées sur des descripteurs globaux.
Extraction de caractéristiques locales:crête et blob Février, 2003 Présentatrice: TRAN Thi Thanh Hai.
Interprétation automatique
thèse encadrée par Jean-Marc OGIER et Karell BERTET
Thierry Molinier > David Fofi >
Segmentation (1ère partie)
Classification automatique
La boîte d’outils du géographe
Classification : objectifs
Extraction de segments pour la reconnaissance de symboles : Une approche robuste par Transformée de Hough Présenté par : Simon BERNARD Encadré par : Jean-Marc.
Détection de type de défauts sur la surface d’une poutre métallique
Arkhênum Patrimoine du Futur. Répartitions par types d’erreurs mineures.
Présentation générale
Sériation et traitement de données archéologiques
Réunion MODULOME 28/05/2008 Christine ROUSSEAU L'analyse des CRISPR et des gènes associés comme répétitions locales et voisine MODULOME.
Réseaux de neurones à base radiale
Apparence globale 1 image = 1 vecteur Base apprentissage Rotation –capture les variabilités Troncature –Quelques coefficients Représentation linéaire Espace.
RAISONNEMENT À PARTIR DE CAS R à PC. PLAN DU TRAVAIL Introduction Introduction Raisonnement analogique Raisonnement analogique Principe et étapes de R.
5 mars 2003 Géoévènement Analyse des paysages dans un contexte d’aménagement. L’intérêt des outils géomatiques Thierry Joliveau. CRENAM-CNRS UMR.
Sujets spéciaux en informatique I
SUJETS SPÉCIAUX EN INFORMATIQUE I
- Exemple de détermination de tolérance de localisation
Sabrina Tollari, Hervé Glotin, Jacques Le Maitre
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
I Présentation II Gestion de projet 1 - Planning 2 - Risques
Traitements d'images et Vision par ordinateur
Courbes de Bézier P2 P1 P3 P0 O
Je sais reproduire un modèle avec les pièces de la pyramide.
Disposition de titre et de contenu avec liste  Ajouter votre premier point ici  Ajouter votre deuxième point ici  Ajouter votre troisième point ici.
Transcription de la présentation:

Reconnaissance d’objets 3D –point de vue complètement différent –pas d’invariant 3D Difficultés :

Basée sur un modèle géométrique 3D –prédiction - vérification –invariants pour des objets 3D spécifique (polyhèdre, surface of revolution) Basée sur un ensemble d’images –vues espacées de facon regulaires –séléction des vues caractéristiques Reconnaissance 3D

Reconnaissance 3D basée sur un ensemble d’images –chaque objet est représenté par un ensemble de vues (36) –l’approche est basé sur les images propres (eigenimages) –chaque objet forme une courbe / surface –sélection du point le plus proche sur la courbe / surface (on obtient la pose) Columbia database 20 objets - 72 vues

Mesure de proximité entre points de vue

Séléction automatique de vues caracteristiques Regrouper les images qui représentent le même aspet d’un objet, c’est-à-dire les images similaires –distance / similarité entre images est mesurée par : nombre de caractéristiques appariées / nombre de caractéristiques totales –pour regrouper les images, utilisation d’un algorithme de clustering hierarchique

Exemple pour la reconnaissance 3D

Exemple pour la reconnaisance 3D

Appariements

Vérification des appariements calcul du tenseur trifocal : à partir des appariements entre trois images vérification supplémentaire calcul robuste permet de rejeter les outliers image recherchée images de la base

Ajout de données symboliques Calcul du tenseur trifocale T Projection de données stockées avec les images de la base avec T Localisation de endroits spécifiques

Ajout de données symboliques

Recherche d’images Recherche d’images avec un contenu similaire Difficultés –définir le contenu sémantique –définir des critères significatifs de similarité visuelle

Recherche d’images Recherche d’images similaires –similarité globale –similarité partielle Interaction avec l’utilisateur Recherche d’objets semblables

Blobworld - exemple de recherche

Similarité partielle de distributions - exemple sélection de la partie utilisée pour la requête images similaires

Résultats pour la détection de visages

Résultats pour la détection de voitures