Ahmed TABIA soutient sa thèse de doctorat le vendredi 6 septembre 2024 : « Estimation de la pose avec une caméra évènementielle » (see English version above)

La pose de la caméra est utilisée pour décrire la position et l’orientation d’une caméra dans un système de coordonnées absolues, en référence à six degrés de liberté. L’estimation de la pose de la caméra est essentielle dans divers domaines d’application, tels que la réalité augmentée, la navigation robotique et les véhicules autonomes. Ces domaines s’appuient sur la pose de la caméra pour les calculs ultérieurs, tels que la localisation des objets et la perception de la scène.

L’estimation de la pose d’une caméra présente des difficultés dans différents scénarios ; les mauvaises conditions d’éclairage, notamment l’obscurité ou la luminosité extrêmes, limitent l’efficacité de la plupart des méthodes basées sur les caractéristiques. Ces conditions d’éclairage défavorables empêchent une détection et une correspondance précises des caractéristiques, ce qui affecte la précision de l’estimation de la position de la caméra. Les scènes dépourvues de textures distinctes compliquent l’extraction de points clés significatifs, tandis que les mouvements rapides entraînent un flou de bougé, ce qui affecte la qualité de l’image et la précision de l’estimation de la pose.

La plupart des difficultés rencontrées dans l’estimation de la pose de la caméra sont largement liées à la nature des caméras traditionnelles, qui capturent le monde comme une série d’images statiques prises successivement à un rythme rapide. Dans les cas où ces difficultés sont particulièrement prononcées, les caméras basées sur les événements offrent des avantages potentiels.

Les caméras événementielles sont des capteurs bio-inspirés qui imitent le fonctionnement de la rétine humaine, capturant les changements d’intensité des pixels plutôt que d’enregistrer des images complètes à un rythme fixe, comme le font les caméras traditionnelles basées sur les images.

Cette thèse se concentre sur l’estimation de la pose des caméras événementielles et vise à explorer l’application des méthodes d’apprentissage profond pour l’estimation de la pose et la relocalisation basées sur ces caméras, en tirant parti de leurs propriétés uniques telles que la haute résolution temporelle, la faible latence et la large gamme dynamique.

La thèse apporte plusieurs contributions au domaine de l’estimation de la pose des caméras basée sur les événements à l’aide de techniques d’apprentissage profond. Ces contributions peuvent être résumées comme suit :

• La thèse fournit un aperçu complet des informations fondamentales et des travaux connexes, établissant ainsi une base solide et une compréhension contextuelle de l’estimation de la pose de la caméra basée sur les événements.
• La thèse explore et développe des approches spécialisées d’apprentissage profond adaptées à l’estimation de la pose de la caméra basée sur les événements. Ces techniques exploitent la puissance de l’apprentissage profond pour estimer avec précision la pose de la caméra à l’aide de données événementielles.
• La thèse introduit des méthodes pour projeter les données d’événements dans des données de type image, facilitant l’application d’approches d’apprentissage profond dédiées. Ce processus de projection permet une utilisation efficace des données d’événements dans la tâche d’estimation de la pose de la caméra.
• La thèse propose une nouvelle approche qui applique directement des techniques d’apprentissage profond aux données d’événements brutes, en les traitant comme un nuage de points plutôt qu’en les convertissant en images. Cette approche tire parti de l’ensemble des informations capturées par la caméra basée sur les événements et permet un processus d’apprentissage de bout en bout.