Quelques nouvelles à propos de notre activité R&D autour du machine learning et de la 3D ! Cet article a ainsi pour vocation d’introduire un projet de R&D, réalisé en collaboration avec Géolithe, dédié à l’analyse des risques en milieu montagneux.
Contexte
Il y a un peu plus d’un an, Oslandia entamait un travail issu d’un challenge R&D organisé par Imaginove, l’ancien pôle de compétitivité lyonnais spécialisé dans les technologies du numérique (maintenant intégré à Minalogic).
Ce challenge avait pour cadre l’aménagement du territoire dans les environnements montagneux, et s’inscrivait dans un projet plus large dénommé Univers. Le projet Univers avait pour objectif la mise en relation d’entreprises technologiques de la région pour la mise au point de solutions innovantes autour de l’utilisation des données geospatiales.
Les acteurs du challenge: (a) Imaginove/Minalogic, (b) Géolithe, (c) Oslandia
Le cas d’utilisation du challenge était apporté par Géolithe, un Bureau d’Ingénieurs conseils en géologie, géophysique, géotechnique et génie civil, spécialisé dans les domaines des risques naturels, et dans le cadre du challenge, plus précisément dans les risques gravitaires.
Les attendus initiaux
L’objectif initial de Géolithe était l’évaluation du risque en milieu montagneux, via l’amélioration de sa connaissance du terrain, et en
particulier, de la nature des sols et surfaces détectés. En effet, la nature des surfaces dans une scène donnée est un paramètre important dans l’analyse et la quantification de l’aléa gravitaire (éboulements, chutes de blocs ou glissements de terrain).
Scène d’éboulement dans les gorges de la Bourne (Vercors)
En guise de prolongement, l’étude en 4D (avec la composante temporelle) des milieux à forte déclivité devait permettre de compléter le tableau, pour monitorer l’évolution des risques dans le temps.
L’apport d’Oslandia pour résoudre le challenge
Oslandia a répondu à l’appel à contribution avec l’ambition d’appliquer des algorithmes issus du machine learning (voire, du deep learning) pour caractériser de façon automatisée la nature des surfaces à partir de prises de vue 2D et 3D. En exploitant l’expérience accumulée en matière de segmentation sémantique sur les jeux de données 2D (typiquement, des scènes urbaines et des images aériennes), Oslandia s’est donné pour objectif de contribuer à l’état de l’art de la segmentation sémantique appliquée aux nuages de points en 3D, en particulier pour les environnements naturels.
Segmentation sémantique sur des images en 2D
Par ailleurs, Oslandia a développé une expertise notable en matière de visualisation de jeux de données 3D via le navigateur web, à travers sa contribution au projet Itowns. Cette collaboration avec Géolithe constitue donc un axe particulièrement intéressant pour développer notre expertise autour de la 3D.
À suivre…
Dans de prochains articles, nous entrerons dans le détail de la collaboration entre Géolithe et Oslandia. En particulier, il sera temps de creuser les questions plus techniques autour de la segmentation sémantique, avec quelques notions de maths et des résultats issus d’algorithmes de machine learning.
Et vous, vous avez des cas d’usage pour la segmentation sémantique 3D ? Si c’est le cas, ou si vous voulez échanger avec nous sur cette question passionnante, n’hésitez pas à nous contacter à infos@oslandia.com.
