Thèse Apprentissage Machine Interactif pour l'Analyse de Nuages de Points 3D H/F - Doctorat.Gouv.Fr

Établissement : Université de Toulouse École doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse Laboratoire de recherche : IRIT : Institut de Recherche en Informatique de Toulouse Direction de la thèse : Nicolas MELLADO ORCID 0000000321804318 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-06-12T23:59:59 L'objectif général du projet consiste à classifier des nuages de points 3d au moyen d'approches d'apprentissage automatique, intégrés dans des systèmes centrées sur l'humain. Cette problématique s'inscrit dans la volonté d'améliorer la qualité de la classification, en prenant en compte les relations entre les descripteurs géométriques associés aux points d'une part, et l'annotation interactive effectuée par l'utilisateur en 3d d'autre part.

Du point de vue de l'utilisateur, l'interaction avec un nuage de points 3D afin de sélectionner ou de désélectionner des points spécifiques constitue une tâche spatiale complexe, susceptible d'être altérée par le bruit d'échantillonnage. Par ailleurs, la sélection interactive des points repose généralement sur leur position spatiale, ce qui rend difficile et laborieuse l'identification de points présentant des caractéristiques particulières (par exemple, une courbure déterminée).

En outre, nos travaux antérieurs ont mis en évidence que le prétraitement et la paramétrisation des nuages de points 3D en amont des processus d'apprentissage permettent d'améliorer de manière significative les performances de classification. Néanmoins, la définition d'une paramétrisation dans un cadre général, ainsi que son adaptation aux interactions et aux entrées utilisateur, demeurent des problématiques ouvertes.

Dans le cadre de cette thèse de doctorat, nous nous proposons de relever le défi scientifique consistant à exploiter une diversité de paramètres associés aux points, tout en intégrant des mécanismes de rétroaction issus des systèmes d'apprentissage automatique. L'objectif est d'améliorer à la fois l'annotation interactive des nuages de points par les utilisateurs humains et les performances des modèles de classification automatique.
3D acquisition devices are becoming easily accessible and widespread thanks to the decrease in the costs of the technology and its improvement. Their main advantage is the capture of our environment as a full 3D representation composed of millions or even billions of unorganized points denoted point clouds. However, there is a need for efficient and reliable processing systems to help expert users to analyze
and reconstruct geometrical structures from large scale 3d point clouds.

In the last decade, machine learning (ML) techniques have been used successfully to improve optimisation-based and heuristic-based approaches for several processing of types of data, such as text, voice and images. But, when applying these techniques for processing point clouds, several specificities have to be handled: the sampling is heterogeneous and unstructured, which hinders the use of convolutions and the direct application of perceptrons. The data may have different scales in shape and structures, and even though the promise of processing point clouds with ML approaches is to be as effective as on 2D images, the reality is that the unstructured nature of point clouds, their dependence to scale, rotations and translations, their third dimension and the massive nature of real acquired data makes current ML approaches challenging to use when tackling practical problems.

Le candidat devra posséder les compétences suivantes :
- Une formation en informatique graphique et/ou en intelligence artificielle
- Un intérêt marqué pour les activités de recherche, ainsi que des capacités d'analyse critique et d'initiative