Offre de bourse de 3 ans ED540_ Vision 3d appliquée à des objets archéologiques


Dernière modification : 11 juillet 2018

Reconnaissance automatique de motifs sur des nuages de points 3D et son application à l’art celtique

Identification des coins et restitution des images primaires à partir d’images fragmentées.

Bourse de 3 ans : 1421 euros net par mois + 47% de charges patronales incluant sécurité sociale et cotisation chômage

Mots clés : nuages de points 3D, apprentissage, art celtique, reconnaissance automatique de formes, Deep Learning

 Contexte : Imagerie 3D en archéologie

Les progrès accomplis ces dernières années dans le domaine des techniques d’imagerie numérique ont ouvert de nouvelles perspectives pour les archéologues qui cherchent des instruments performants pour dépasser le champ étroit des modes d’investigation traditionnels, du point de vue technique ou artistique.

  Sujet : Reconnaissance automatique de formes 3D sur des objets d’art celtique

Le projet de thèse porte sur 4 axes d’innovation technologique dont la difficulté provient du caractère déformé des motifs : segmentation automatique de motifs élémentaires sur une surface 3D, mise à plat des motifs élémentaires par paramétrisation, reconnaissance de motifs sur un même objet ou à partir d’une base de données, automatisation des procédures sur un corpus donné. Le doctorant pourra s’appuyer sur une sélection d’objets déjà numérisés : séries monétaires et d’estampilles sur bronze. Ces numérisations ont été rendues possible grâce au scanner SmartScan d’Aicon, acquis grâce au financement du projet Celtes 3D (équipes AOROC / Mines-CAOR / C2RMF).

La Figure 1 présente un nuage de points coloré d’un trésor archéologique (le Casque d’Agris numérisé par un SmartScan au C2RMF) et la Figure 2 montre une représentation possible des motifs élémentaire présents dans l’art celtique et que nous cherchons à reconnaître sur le nuage de points 3D.

La difficulté pour la reconnaissance de motifs récurrents réside dans la segmentation des micro-variations de la surface autour de ces motifs. A notre connaissance, il n’existe pas de travaux permettant de segmenter des motifs aussi petits directement sur un nuage de points pour pouvoir ensuite les comparer les uns avec les autres (répétitions) ou avec une base de données. La plupart des méthodes se base sur de la segmentation en parties bien distinctes d’un objet ou segmentation en différents objets d’une scène intérieure ou extérieure. Il existe un grand nombre de méthodes de segmentation et d’analyse de surfaces pour les maillages mais l’étape de reconstruction de surface pour passer d’un nuage de points à un maillage est un problème toujours difficile créant des déformations de la surface de l’objet. Dans le cas présent, nous allons baser notre méthode de reconnaissance de motifs sur une segmentation de la surface par courbure et croissance de région directement sur le nuage de points. Une fois les différents motifs correctement segmentés, ils pourront être mis à plat (par paramétrisation), représentés sous forme simplifiée vectorielle et nous pourrons alors les comparer à une base de données (pour les motifs élémentaires) ou entre eux (pour les monnaies et les décors répétitifs).

 Attendus

  • Comparaison de motifs gravés ou estampés sur des objets métalliques.
  • Sélection de points d’intérêts et de proportions par segmentation du nuage de points en motifs élémentaires
  • Identification des éléments d’un même motif et contrôle statistique de leur degré de ressemblance
  • Superposition des motifs fragmentaires issus d’une même matrice en vue de restituer celle-ci
  • Possibilité de découper les nuages de points et les textures pour restituer l’intégralité du motif
  • Protocole d’automatisation des procédures de comparaison en vue de l’exploitation sur des grandes séries.

Une première piste serait de tester des méthodes non supervisées par une sélection de points d’intérêts 3D pour comparer les formes entre elles. Une autre piste intéressante à explorer serait d’utiliser la capacité des réseaux profonds (Deep Learning) pour segmenter le nuage de points en motifs élémentaires. Les réseaux profonds pour nuages de points comme PointNet ont montré leur capacité à segmenter les nuages de points d’objets en différentes parties mais sont pour l’instant limités à de petits volumes de données ainsi qu’à des objets simples.

Le développement de ce type d’approche peut s’appliquer non seulement à tous les objets patrimoniaux décorés par estampage ou par frappe mais aurait aussi son intérêt pour le contrôle en série des poinçons et donc pour la lutte contre les contrefaçons .

 Références

  • Huang J., You S., Point cloud matching based on 3D self-similarity, CVPRW 2012
  • Qi C., Su H., Mo K., Guibas L. J., PointNet : Deep Learning on Point Sets for 3D Classification and Segmentation, CVPR 2017

 Profil du candidat

Profil général

  • Niveau Master 2
  • Bon relationnel, rigueur et autonomie
  • Qualités de rédaction et de présentation à l’oral  Anglais parlé et écrit.  (Pour étrangers) Français parlé et écrit.

Compétences demandées / appréciées Connaissances scientifiques et technologiques utilisées :

  • Traitement de données 3D
  • Traitement d’images Les développements se feront sur PC sous Windows ou Linux en C++

 Informations

Modalités

  • Durée : 3 ans. Date de début de la thèse : 01/10/2018

La thèse se fera en lien entre le laboratoire d’Archéologie de l’ENS (situé rue d’Ulm à Paris) et l’équipe du Centre de Robotique (située Bd Saint-Michel à Paris). Le doctorant sera principalement dans les locaux du Centre de Robotique à MINES ParisTech.
Les chercheurs impliqués dans ce projet sont issus de deux équipes de PSL, le laboratoire de Robotique de MINES ParisTech (Pr. François Goulette et Jean Emmanuel Deschaud, CR) pour la partie Imagerie 3D et le laboratoire d’Archéologie AOROC de l’ENS (Thierry Lejars, DR CNRS et Katherine Gruel, DR CNRS) pour la partie archéologique. Il s’agit d’une thèse en Vision3D

 Renseignements :

  • Laboratoire AOROC de l’ENS : Thierry Lejars, Directeur de Recherche Tél. : 01.44.32.30.54, E-mail : thierry.lejars@ens.fr
  • Centre de Robotique de MINES ParisTech : François Goulette, Professeur Tél. : 01.40.51.92.35, E-mail : francois.goulette@mines-paristech.fr
  • Jean-Emmanuel Deschaud, Chargé de Recherche Tél. : 01.40.51.93.58, E-mail : jean-emmanuel.deschaud@mines-paristech.fr

Organismes partenaires :

AOrOc - UMR 8546-CNRS/ENS ENS-Ecole Normale Supérieure, Paris. Mines Paristech - école d’ingénieurs - Paris PSL - Paris Sciences Lettres - Université Paris