Soutenance de thèse d'Ahmed Rida SEKKAT - Jeudi 8 décembre 2022 à 10h, Amphi B de l'Université de Rouen Normandie
Date :
Ahmed Rida SEKKAT soutiendra sa thèse jeudi 8 décembre à 10h, amphithéâtre B (Turing) à l’Université de Rouen, UFR des Sciences. Cette thèse réalisée au LITIS s'intitule :
"Segmentation d’images omnidirectionnelles de scènes routières"
La soutenance aura lieu devant le jury composé de :
https://u-picardie-fr.zoom.us/j/93049021110?pwd=anYxdUh1OXAvcGJQM294eGVOMEgrdz09
Résumé:
Une compréhension complète et exhaustive de la scène environnante est primordiale pour tous les robots mobiles en général et les systèmes de transport intelligents (ITS) ou les véhicules à conduite autonome (AD) en particulier. Plusieurs solutions basées sur l’image tentent d’atteindre cet objectif grâce à des tâches de vision par ordinateur. Ces solutions sont principalement basées sur des modèles entraînables sur des données labelisées. La disponibilité des données annotées est alors très importante pour entraîner les modèles afin de réaliser la tâche souhaitée. Dans cette thèse, nous proposons des ensembles de données d’images synthétiques avec vérité terrain pour plusieurs tâches de vision par ordinateur en mettant l’accent sur les images omnidirectionnelles car elles sont très utilisées dans le domaine des STI grâce à leur large étendue et leur capacité à révéler des informations provenant d’un large champ de vision. Les jeux de données proposés sont ensuite utilisés pour faire le point sur l’avancée atteinte dans la littérature sur la segmentation sémantique des images omnidirectionnelles à travers une étude comparative approfondie. Plusieurs expériences ont été menées en utilisant plusieurs représentations d’images et modalités pour trouver la solution la plus adaptée pour segmenter sémantiquement des images omnidirectionnelles. Les résultats de l’étude comparative en plus des jeux de données proposés ont ensuite été utilisés pour proposer une application se concentrant sur la valeur ajoutée des convolutions déformables dans la segmentation d’images omnidirectionnelles.
"Segmentation d’images omnidirectionnelles de scènes routières"
La soutenance aura lieu devant le jury composé de :
- Mme. Catherine ACHARD, Professeur à Sorbonne Université, Rapporteure
- M. Cédric DEMONCEAUX, Professeur à l’Université de Bourgogne-Franche-Comté, Président du jury
- M. Yohan DUPUIS, Directeur de recherche au CESI, Coencadrant de thèse
- M. Paul HONEINE, Professeur à l’Université de Rouen Normandie, Codirecteur de thèse
- M. Fabio MORBIDI, Maître de Conférences à l’Université de Picardie Jules Verne, Examinateur
- M. Yassine RUICHEK, Professeur à l’Université de Technologie de Belfort Montbéliard, Rapporteur
- M. Pascal VASSEUR, Professeur à l’Université de Picardie Jules Verne, Codirecteur de thèse
https://u-picardie-fr.zoom.us/j/93049021110?pwd=anYxdUh1OXAvcGJQM294eGVOMEgrdz09
Résumé:
Une compréhension complète et exhaustive de la scène environnante est primordiale pour tous les robots mobiles en général et les systèmes de transport intelligents (ITS) ou les véhicules à conduite autonome (AD) en particulier. Plusieurs solutions basées sur l’image tentent d’atteindre cet objectif grâce à des tâches de vision par ordinateur. Ces solutions sont principalement basées sur des modèles entraînables sur des données labelisées. La disponibilité des données annotées est alors très importante pour entraîner les modèles afin de réaliser la tâche souhaitée. Dans cette thèse, nous proposons des ensembles de données d’images synthétiques avec vérité terrain pour plusieurs tâches de vision par ordinateur en mettant l’accent sur les images omnidirectionnelles car elles sont très utilisées dans le domaine des STI grâce à leur large étendue et leur capacité à révéler des informations provenant d’un large champ de vision. Les jeux de données proposés sont ensuite utilisés pour faire le point sur l’avancée atteinte dans la littérature sur la segmentation sémantique des images omnidirectionnelles à travers une étude comparative approfondie. Plusieurs expériences ont été menées en utilisant plusieurs représentations d’images et modalités pour trouver la solution la plus adaptée pour segmenter sémantiquement des images omnidirectionnelles. Les résultats de l’étude comparative en plus des jeux de données proposés ont ensuite été utilisés pour proposer une application se concentrant sur la valeur ajoutée des convolutions déformables dans la segmentation d’images omnidirectionnelles.