Estimation des disparités par adaptation de domaine pour la détection d’objets 3D à partir d’images stéréoscopiques

Résumé

Les enjeux écologiques ont aujourd’hui une place importante dans la politique mondiale. Pour lutter contre le réchauffement climatique, de plus en plus de personnes décident d’utiliser le vélo comme alternative à la voiture, qui est l’un des moyens de transport les plus polluants. Cependant, la cohabitation vélo-voiture est difficile et provoque chaque année de nombreux accidents graves, ce qui nécessite la mise en place de solutions efficaces assurant la sécurité des cyclistes. C’est dans ce contexte de sécurité routière que nous nous sommes intéressés à développer un système employant la stéréovision et une méthode de détection 3D en apprentissage profond, dans le but d’estimer la distance de sécurité entre un vélo et un véhicule lors d’un dépassement. Cependant, les méthodes actuelles de détection 3D par images stéréoscopiques ont des performances très limitées, dont les erreurs proviennent principalement de la méthode de disparité permettant de générer la représentation 3D de la scène avant d’effectuer la détection. En effet, obtenir des cartes de disparité réelles densément annotées est une tache fastidieuse, et la faible quantité de données réelles disponibles ne permet pas d’entraîner efficacement ces méthodes. Dans ce mémoire, nous allons nous intéresser à la conception d’un modèle de disparité rapide, inspiré du réseau 2D DispNetC, dont on cherchera à améliorer sa précision et ses capacités de généralisation. De plus, dans le but de résoudre le problème de manque de données réelles, nous allons adapter le modèle au domaine d’une manière non-supervisée par le principe d’apprentissage adverse, permettant de réduire l’écart entre les domaines synthétique (annoté) et réel (sans annotation). Un CycleGAN va translater les données d’apprentissage synthétiques vers le domaine réel, et un discriminateur de caractéristiques va rendre invariant au domaine les représentations internes au réseau. La stratégie d’apprentissage proposée permettra d’augmenter la robustesse du modèle face au changement de domaine, et d’améliorer ses performances sur le domaine réel dans le cas non-supervisé. Le modèle final sera associé à une méthode de détection 3D par stéréo pour mesurer sa capacité à produire l’information 3D pour la détection. On l’évaluera sur la base KITTI pour la détection 3D et on validera les résultats des expériences en les comparant avec les méthodes de la littérature.

Date	21 févr. 2023
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Marco Pedersoli (Directeur(-trice))