Construction d'un jeu de données d'apprentissage adapté pour la reconstruction 3D par stéréophotométrie - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Construction d'un jeu de données d'apprentissage adapté pour la reconstruction 3D par stéréophotométrie

Résumé

La stéréophotométrie est une technique de reconstruction 3D de la surface d'un objet, à partir de plusieurs images de celui-ci, prises du même point de vue mais avec différents angles d'éclairage. Dans cet article, une revue des méthodes récentes de stéréphotométrie est d'abord proposée. Dans un second temps, nous définissons un ensemble de contraintes à suivre pour la génération d'un jeu de données d'apprentissage pertinent, utilisable pour l'apprentissage de réseaux de neurones convolutionnels dédiés à la stéréophotométrie. Nous illustrons l'importance de la variabilité de ce jeu de données, avec des exemples comparatifs de reconstruction de champs de normales.
Fichier principal
Vignette du fichier
2022_hardy896.pdf (1.53 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03777667 , version 1 (15-09-2022)

Identifiants

  • HAL Id : hal-03777667 , version 1

Citer

Clément Hardy, Yvain Quéau, David Tschumperlé. Construction d'un jeu de données d'apprentissage adapté pour la reconstruction 3D par stéréophotométrie. GRETSI 2022, Sep 2022, Nancy, France. ⟨hal-03777667⟩
54 Consultations
21 Téléchargements

Partager

Gmail Facebook X LinkedIn More