Décomposition de formes 2D

De Ensiwiki
Aller à : navigation, rechercher

Cadre du projet

  • Encadrant : Stefanie Hahmann.
  • Nombre d'étudiants : 2 à 4.
  • Prérequis : méthodes numériques, programmation Matlab. Avoir suivi les cours de modélisation géométrique et graphique 3D est un plus.


Contexte du sujet

Récemment, une nouvelle étude utilisateurs à grande échelle a été publie, appelée 2D Shape Structure data base [1]. Elle a collecté de nombreuses données sur la structure de formes géométriques 2D utilisant la base de données MPEG-7 [2]. On définit une structure de forme géométrique comme une représentation de forme contenant les trois composantes suivantes: (1) une décomposition de la forme en parties basées sur la géométrie plutôt que sémantique, (2) une hiérarchie de parties représentant l'échelle à laquelle chaque partie devient significative, et (3) une compréhension de la relation entre les parties à différentes échelles et emplacements. Chacune des composantes à son propre intérêt. Le décomposition de formes 2D en parties significatives est un problème fondamental qui a été étudié dans différents domaines tels que la modélisation géométrique, vision par ordinateur, la psychologie et de la cognition avec un grand nombre de domaines d'application tels que l'analyse de la forme, shape matching, shape retrieval, et la modélisation de formes. La connaissance d’une hiérarchie entre composants permet d’effectuer une comparaison a plusieurs niveau de détail. La connaissance de relations entre composants est utile pour la reconnaissance d’objets.

Ensemble, la structure de la forme géométrique permet la compréhension de la forme complète, ce qui est essentiel pour tout traitement géométrique nécessitant le préservation de la structure de forme telles que la synthèse, la modélisation ou l'animation.

La base de données contient plus que 1200 formes avec ~20 annotations (segmentations,hierarchies) par objet fait par les participants de l'étude. Les annotations faits par les utilisateurs pour chaque forme peuvent être visualisés comme dans la figure suivante pour 2 formes, un éléphant et une étoile:

E.png D.png
Fig.1: 2D shape structure data base: 2 formes 2D avec 21 annotations fait manuellement par 21 personnes participants à l'étude: Les couleurs indiquent une segmentation ainsi qu'une hiérarchie entre composants (noir: forme de base, rose: composant, vert: detail).

But du projet

Le but de ce projet est de mener une analyse comparative, appelée benchmarking: comparer les méthodes de l'état-del'art de décompositions de formes calculées par ordinateur, comme en Figure 2, avec celles de la 2D Shape Structure data base effectuées par des humains, voir Figure 1.

Decomp.png
Fig. 2: Exemples de décompositions de formes 2D issue de [6].

Votre démarche

Chacune des formes dans la 2D Shape Structure data base est donnée par un simple polygone représentant sa silhouette. Pour chaque forme au moins 20 annotations "humaines" sous forme de triangulation coloriée de ce polygone sont disponibles, voir Figure 1. La data base propose également une analyse des annotations pour filtrer le "ground truth" auxquels vous devez comparer les algorithmes existants.

Votre travail consiste en les étapes suivantes:

  • choisir chacun 1 ou 2 méthodes de segmentation existantes (lecture d'articles de recherche),
  • implémenter la ou les méthodes choisies,
  • proposer des mesures de comparaison,
  • effectuer une évaluation qualitative des méthodes existantes par rapport à la segmentation humaine de la 2D Shape Structure data base,
  • proposer des méthodes de visualisation adaptée de vos résultats.

L'implémentation se fera de préférence avec Matlab.

Les references [3]-[6] ne sont données qu’à titre indicative. Nous allons choisir ensemble la ou les methodes à tester.

Références

[1] http://2dshapesstructure.github.io/index.html

[2] MPEG-7 dataset http://www.dabi.temple.edu/~shape/MPEG7/dataset.html

[3] Z. Ren, J. Yuan, C. Li, W. Liu, Minimum near-convex decomposition for robust shape representation, in: IEEE International Conference on Computer Vision (ICCV), IEEE, 2011, pp. 303–310.

[4] Liu H, Liu W, Latecki LJ. Convex shape decomposition. In: Computer Vision and Pattern Recognition (CVPR), 2010 IEEE Conference on. 2010, p. 97–104

[5] G. Liu, Z. Xi, J.-M. Lien, Dual-space decomposition of 2d comples shapes, in: IEEE Conf. on Computer Vision and Pattern Recognition, 2014, pp. 4154–4161.

[6] L. Luo, C. Shen, X. Liu, C. Zhang, A computational model of the shortcut rule for 2d shape decomposition, IEEE Transactions on Image Processing 24 (1) (2015) 273–283.