TIS-DTIM-2017-015 EVF Apprentissage pour le flot optique
Transcription
TIS-DTIM-2017-015 EVF Apprentissage pour le flot optique
www.onera.fr PROPOSITION DE STAGE EN COURS D’ETUDES Référence : TIS-DTIM-2017-015 (à rappeler dans toute correspondance) Département/Dir./Serv. : Traitement de l'Information et Modélisation Responsable du stage : F. Champagnat, G.Le Besnerais Lieu : PALAISEAU Tél. : 01 80 38 65 61 Email. : [email protected] DESCRIPTION DU STAGE Domaine d’étude : Type de stage Vision par ordinateur, Fin d’études bac+5 Master 2 recherche Bac+2 à bac+4 Intitulé : Apprentissage pour le flot optique multi-frame Sujet : Le stage porte sur le flot optique "multi-frame", c'est-à-dire l'estmation d'un modèle de déplacement dense (en chaque pixel) sur une série d'images extraites d'une vidéo. Les applications concernent le traitement vidéo, par exemple la reconstruction 3D d'objets déformables, la perception embarquée pour la navigation robotique et la mesure par imagerie, notamment dans le domaine de l'étude des matériaux. Le cadre multiimage permet d'améliorer la qualité de l'estimation, il est de plus en plus employé dans le domaine de la mesure [1] et aussi en vision par ordinateur, comme le montrent les sites de benchmark de flot optique (Univ. Middlebury, kitti dataset). Il existe depuis le début des années 2000 des travaux montrant que les trajectoires de points suivis sur plusieurs images appartiennent à une sous-variété, c'est à dire peuvent s'exprimer comme une combinaison linéaire d'un nombre relativement réduit de modèles temporels [2]. Plus récemment, [3] propose d'apprendre ces modèles temporels sur le suivi de quelques points caractéristiques pour les utiliser ensuite dans une approche d'estimation dense de type Horn et Schunck. L'objectif du stage est de reprendre cette démarche apprentissage/flot avec des outils différents de ceux de [3]. D'une part concernant la méthode d'estimation dense, pour laquelle on s'oriente vers des algorithmes de type Kucas-Kanade dense sur lesquels l'équipe possède une forte expertise, notamment sur des versions très rapides et implémentées sur GPU [4]. D'autre part sur la partie apprentissage des modèles temporels, pour laquelle le contexte a beaucoup évolué depuis quelques années avec les méthodes de deep learning, qui ont connu un intense développement en vision, et commencent à être utilisées notamment sur des problématiques bas niveau comme le calcul du flot optique. Le stage est centré sur le développement de nouvelles solutions algorithmiques efficaces, implémentées en Matlab ou Python. Ces développements seront validés sur des séquences réelles, issues de plusieurs contextes, notamment la perception embarquée pour la robotique, la cartographie précise de zone par vision et la mesure de déformation en étude des matériaux. [1] R. Yegavian et al. Lucas-Kanade Fluid Trajectories for time-resolved PIV, Int. Symp. PIV, Santa Barbara (Cal., USA), 2015 [2] Irani, M.: Multi-frame correspondence estimation using subspace constraints. Int. J. Comput. Vision 48, 2002. [3] R. Garg et al., Dense Multi-frame Optic Flow for Non-rigid Objects Using Subspace Constraints, ACCV 2011. [4] Plyer, A. et al., Massively parallel Lucas Kanade optical flow for real-time video processing applications. Journal of Real-Time Image Processing, 11(4), 2014 Est-il possible d'envisager un travail en binôme ? Méthodes à mettre en oeuvre : Non Recherche théorique Travail de synthèse Recherche appliquée Travail de documentation Recherche expérimentale Participation à une réalisation Possibilité de prolongation en thèse : Durée du stage : Oui Minimum : 5 mois Maximum : 6 mois Période souhaitée : 6 mois PROFIL DU STAGIAIRE Connaissances et niveau requis : Ecoles ou établissements souhaités : Bases de vision par ordinateur M2 ou école d'ingénieur Machine learning DRH/RSPG/octobre 2012