Soutenance de thèse de Rachel BLIN le mardi 28 septembre 2021 à 10h - Amphi Tillion- INSA Rouen Normandie

Date :

...

Rachel BLIN soutiendra sa thèse le mardi 28 septembre 2021 à 10h dans l'amphithéâtre Germaine Tillion du Bâtiment Magellan de l'INSA Rouen Normandie.

Cette thèse, réalisée au sein de l'équipe STI (Systèmes de Transports Intelligents) du LITIS, dans le cadre du projet ANR ICUB, s'intitule : 
 
"Comment l'imagerie polarimétrique peut contribuer à l'analyse profonde de scènes routières en conditions météorologiques dégradées"
 
La soutenance aura lieu devant le jury composé de :
  • Mr. Frédérique PRÉCIOSO, Professeur, Polytech'Nice-Sophia, I3S, Président du jury
  • Mme. Véronique CHERFAOUI, Professeure, Université de Technologie de Compiègne, Heudiasyc, Rapportrice
  • Mr. Vincent FRÉMONT, Professeur, Centrale Nantes, LS2N, Rapporteur
  • Mr. Olivier MOREL, Habilité à Diriger des Recherches, Université de Bourgogne, ImViA, Examinateur
  • Mme. Samia AINOUZ, Professeure, Institut National des Sciences Appliquées de Rouen Normandie, Directrice
  • Mr. Fabrice MÉRIAUDEAU, Professeur, Université de Bourgogne, ImViA, Co-encadrant
  • Mr. Stéphane CANU, Professeur, Institut National des Sciences Appliquées de Rouen Normandie, Co-encadrant
Du fait des conditions sanitaires actuelles, la soutenance s'effectuera en mode hybride. Ceux qui souhaitent assister à la soutenance en distanciel sont donc invités à le faire via les identifiants Zoom suivants : 

Join Zoom Meeting
https://zoom.us/j/99740136113

Meeting ID: 997 4013 6113

Vous êtes également chaleureusement conviés au pot de thèse qui suivra.

Résumé
 
Les véhicules autonomes et les ADAS ont connu des améliorations remarquables ces dernières années grâce à une analyse plus précise et plus fiable des scènes routières. Ces améliorations sont principalement dues à l’émergence de l’apprentissage profond, qui permet une détection très précise des obstacles routiers. Cependant, même si l’on trouve aujourd’hui des véhicules autonomes dans plusieurs pays, ils atteignent leurs limites lorsque la visibilité est altérée. Les modalités non conventionnelles, telles que l'imagerie infra-rouge et le LiDAR, sont à ce jour la meilleure solution pour pallier à ces limitations, grâce à leur capacité à voir au-delà de la vision humaine contrairement à l'imagerie couleur. Cependant, bien que ces modalités aient permis de mieux appréhender une scène routière lorsque la visibilité est altérée, elles ne sont pas robustes en toutes circonstances.

Dans cette thèse, nous utilisons l’imagerie polarimétrique pour analyser les scènes routières en conditions météorologiques dégradées. En effet, celle-ci a déjà démontré son efficacité pour décrire les objets par leurs propriétés physiques, invariantes aux changements de visibilité. L'objectif de cette thèse est d'utiliser ces caractéristiques physiques afin d'améliorer la détection des différents obstacles routiers. Afin d'y parvenir, nous avons constitué la première grande base de données multimodale (imagerie couleur et imagerie polarimétrique) contenant diverses conditions météorologiques. Les expériences, avec et sans fusion de données, basées sur des algorithmes de Deep Learning, ont permis de prouver l'invariance des caractéristiques polarimétriques aux changements de conditions météorologiques.

Cordialement, 

Rachel Blin

---

Good afternoon,

I am pleased to invite you to my thesis defense which will take place on Tuesday, September 28 at 10 am in the amphitheatre Germaine Tillion of the Magellan building at the INSA Rouen Normandie (see map below)This thesis, carried out at the Institut National des Sciences Appliquées de Rouen Normandie within the STI (Intelligent Transport Systems) team of the LITIS, in the context of the ANR project ICUB, is entitled: 

"How polarimetry may contribute to deep road scene analysis in adverse weather conditions"
 
The defense will take place in front of the jury composed of:
  • Mr. Frédérique PRÉCIOSO, Professeur, Polytech'Nice-Sophia, I3S, President of the jury
  • Mrs. Véronique CHERFAOUI, Professor, Université de Technologie de Compiègne, Heudiasyc, Referee
  • Mr. Vincent FRÉMONT, Professeur, Centrale Nantes, LS2N, Referee
  • Mr. Olivier MOREL, Habilité à Diriger des Recherches, Université de Bourgogne, ImViA, Examiner
  • Mrs. Samia AINOUZ, Professeure, Institut National des Sciences Appliquées de Rouen Normandie, Director
  • Mr. Fabrice MÉRIAUDEAU, Professeur, Université de Bourgogne, ImViA, Supervisor
  • Mr. Stéphane CANU, Professeur, Institut National des Sciences Appliquées de Rouen Normandie, Supervisor
Due to the current sanitary conditions, the defense will take place in hybrid mode. Those who wish to attend the defense remotely are therefore invited to do it via the following Zoom identifiers:

Participer à la réunion Zoom
https://zoom.us/j/99740136113

ID de réunion : 997 4013 6113

You are also warmly invited to the thesis drink that follows.
 
Summary

Autonomous vehicles and ADAS have shown outstanding improvements these past few years thanks to a more accurate and reliable road scene analysis. These enhancements are mainly due to the emergence of deep learning, enabling a very accurate road object detection. However, even if nowadays autonomous vehicles can be found in several countries, they show limitations when the visibility is altered. Non-conventional modalities, such as infrared imaging and LiDAR, are the best solution to date to overcome these limitations, thanks to their ability to see beyond human vision unlike color imaging. However, while these modalities have provided a better understanding of road scenes when the visibility is altered, they are not robust to all the tests.

In this thesis, we use polarimetric imaging to analyze road scenes in adverse weather conditions. Indeed, polarimetric imaging has already demonstrated its efficiency to describe objects by their physical properties, invariant to visibility changes. The goal of this thesis is to use these physical features to improve road object detection. To this aim, we have built the first large multimodal dataset (color and polarimetric imaging), containing various weather conditions. Experiments, with and without data fusion, based on Deep Learning algorithms have proven the invariance of polarimetric features to weather changes.

Sincerely,

Rachel Blin