NASSAR Ahmed Samy

Soutenance de thèse de doctorat - Ahmed Samy NASSARAhmed Samy NASSAR, en vue de l’obtention du grade de docteur en « INFORMATIQUE » présentera ses travaux intitulés : " Cartographie des objets à partir de vues multiples par apprentissage profond" le 21 mai.

Résumé

Cartographie des objets à partir de vues multiples par apprentissage profond

La création d'inventaires d'objets urbains et leur suivi est un processus coûteux en main-d'œuvre. Les agents de terrain effectuent généralement ce processus sur place pour collecter les propriétés sur ces objets. Ces propriétés peuvent être liées à l'emplacement, l'espèce, la hauteur et la santé d'un arbre par exemple. La lourdeur du processus de collecte de telles informations rend difficile l'étude des villes. Avec l'abondance d'images fournies par les services de cartographie en ligne (Google Maps et Street View, Mapillary, etc.), une couverture adéquate d'une ville peut être obtenue à partir de différents points de vue, tels que les vues aériennes ou au niveau du sol. La disponibilité de telles images permet la création et la mise à jour efficaces des inventaires de l'état des objets urbains en utilisant des méthodes de vision par ordinateur telles que la détection d'objets et le suivi d'objets multiples en utilisant de nouvelles méthodes d'apprentissage profond.

Mots clés : Vision par ordinateur, géolocalisation des objets urbains, détection d'objets, ré-identification, réseaux de neurones sur graphes, apprentissage profond

Abstract

Learning to map street-side objects using multiple views

Creating inventories of street-side objects and their monitoring in cities is a labor-intensive and costly process. Field workers are known to conduct this process on-site to record properties about the object. These properties can be the location, species, height, and health of a tree as an example. To monitor cities, gathering such information on a large scale becomes challenging. With the abundance of imagery, adequate coverage of a city is achieved from different views provided by online mapping services (e.g., Google Maps and Street View, Mapillary). The availability of such imagery allows efficient creation and updating of inventories of street-side objects status by using computer vision methods such as object detection and multiple object tracking. This thesis aims at detecting and geo-localizing street-side objects, especially trees and street signs, from multiple views using novel deep learning methods.

Key words: Deep Learning, Computer Vision, Object detection, Re-identification, Graph Neural Networks, Urban objects, Multi-view 

 

Membres du jury

  • Prof. Christian HEIPKE, Leibniz Universität Hannover
  • Dr Friedrich FRAUNDORFER, Graz University of Technology
  • Prof. Élisa FROMONT, Université de Rennes 1
  • Prof. Sébastien LEFÈVRE, Université Bretagne Sud
  • Dr Jan WEGNER, École Polytechnique Fédérale de Zurich
  • Prof. Konrad SCHINDLER, École Polytechnique Fédérale de Zurich
  • Dr Alexandre BOULCH, VALEO.AI
  • Dr Nathan JACOBS, Washington University in St Louis

 

Les travaux sont dirigés par Sébastien Lefèvre et Jan Wegner

École doctorale MathSTIC N°601

Doctorat " Label Européen "

 

 

Informations pratiques

Vendredi 21 mai 2021 à 13 heures

Arrêté du 27 octobre 2021

ENSIBS

Vannes

A distance via Teams