Quelle image met le mieux en valeur un modèle 3D ? - Archive ouverte HAL Access content directly
Conference Papers Year : 2022

Which image would you choose ?

Quelle image met le mieux en valeur un modèle 3D ?

Marie Pelissier-Combescure
  • Function : Author
  • PersonId : 1147198
  • IdHAL : mpelissi
Géraldine Morin
Sylvie Chambon

Abstract

Given an object present in an image, our purpose is to quantify how well this object is represented in this view. To do this, we define a highlighting score that allows us to rank a set of images : from the one that best showcases the object to the worst one. To quantify the showcase of an object in the image, we combine three complementary criteria into a highlighting score : its dominance, its size and the quantity of its characteristic information based on a score given by a curvilinear saliency detector. As an alternative, we consider the confidence scores of state of the art detection and classification neural networks. In order to validate the proposed approaches based on these scores, we provide a validation protocol based on a set images we generate to provide a reference classification. Our experimental results demonstrate the efficiency of our method and help understanding the behaviour of the networks. We also illustrate the interest of the approach with visual qualitative results on a real dataset.
Étant donné une image d’un objet d’intérêt, nous souhaitons quantifier la qualité de la vue de cet objet 3D dans cette représentation 2D. Pour cela, nous définissons un score de pertinence permettant d’ordonner un ensemble d’images : de celle mettant le mieux en valeur l’objet à celle présentant la plus mauvaise mise en valeur. Ce score s’appuie sur trois critères complémentaires relatifs à l’objet étudié dans l’image : la dominance, la taille et la quantité d’information caractéristique disponible sur cet objet, dans l’image. Cette information caractéristique exploite les résultats fournis par un détecteur de saillance curviligne. De manière complémentaire, nous considérons également les scores de confiance fournis par la sortie d’un réseau de neurones (nous choisissons des réseaux neurones de référence dans le domaine de la détection ou de la classification). Afin de valider et de comparer l’approche introduite et les méthodes étudiées, nous avons mis en place un protocole utilisant des images permettant de proposer un classement de référence. Nos résultats expérimentaux démontrent l’efficacité de notre méthode et permettent de comprendre le comportement des réseaux de neurones. Nous fournissons également des résultats qualitatifs visuels sur des jeux de données réels pour illustrer l’intérêt de l’approche.
Fichier principal
Vignette du fichier
RFIAP_Marie_Pelissier.pdf (5.12 Mo) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

hal-03715237 , version 1 (06-07-2022)

Identifiers

  • HAL Id : hal-03715237 , version 1

Cite

Marie Pelissier-Combescure, Géraldine Morin, Sylvie Chambon. Quelle image met le mieux en valeur un modèle 3D ?. Congrès Reconnaissance des Formes, Image, Apprentissage et Perception (RFIAP 2022), AFRIF (Association Française pour la Reconnaissance et l'Interprétation des Formes), Jul 2022, Vannes, France. ⟨hal-03715237⟩
75 View
24 Download

Share

Gmail Facebook X LinkedIn More