EXTERNE : Application de l’apprentissage non-supervisé à la segmentation d’objets 3D en milieu forestier : Utilisation de la technologie LiDAR embarquée sur drone

Pour vous inscrire : https://bit.ly/36DVtNm

L’ouverture du domaine de la télédétection aux aéronefs pilotés à distance constitue une réelle opportunité dans la détection et modélisation d’objets 3D. Cela est d’autant plus pertinent en milieu forestier où l’usage de capteurs actifs (e.g. LiDAR) augmente de manière significative la densité de points sous la canopée, notamment au niveau des troncs et de la végétation du sous-bois.  Néanmoins, l’entropie accrue des nuages de points acquis par drone complexifie simultanément l’extraction de la sémantique sous-jacente, en particulier lorsque les objets interagissent géométriquement entre eux. De plus, à couvert relativement fermé, la densité de points reste faible sous le houppier (spécifiquement sur les troncs). Compte tenu des limitations ci-dessus, cette recherche a pour objectif de proposer un cadre méthodologique d’extraction des troncs et d’évaluation du diamètre des arbres (à hauteur de poitrine) au sein de nuages de points riches (sémantiquement) et/ou peu denses. Pour ce faire, nous tirons profit des algorithmes de l’apprentissage non-supervisé dans la réalisation de tâches de regroupement et de réduction de la dimensionnalité. Enfin, les résultats de cette étude laissent entrevoir de futures perspectives de recherche en acquisition, segmentation et classification d’objets 3D en milieu forestier.