– MADRAS

Les développements technologiques récents concernant l'imagerie tridimensionnelle (scanners 3D,
cartes graphiques accélérées, Web 3D etc.) rendent possibles la création et le stockage de modèles
tridimensionnels à grande échelle. L'utilisation des modèles tridimensionnels se retrouve dans de
nombreuses applications telles que le patrimoine culturel, les simulations médicales, l'industrie
mécanique, les jeux vidéos, et, de manière générale, tout ce qui touche au multimédia. Ces mêmes
domaines exploitent ou produisent également, depuis peu, des modèles tridimensionnels variant au
cours du temps. Ces modèles sont souvent appelés maillages 3D dynamiques.
Avec cette croissance exponentielle du nombre de modèles tridimensionnels statiques et dynamiques,
apparaît également le besoin de traiter ces données. L'indexation, la compression et le tatouage sont
trois exemples de tels traitements.
Les modèles tridimensionnels sont le plus souvent représentés sous la forme de maillages de polygones
(généralement des triangles). Ce type de représentation a pour avantage d'être parfaitement adapté à
l'affichage grâce aux cartes accélérées 3D. Mais leur principal inconvénient est le manque de structure
de la représentation qui pourrait être très utile aux applications citées précédemment. Par conséquent,
une étape préliminaire à de nombreux traitements est l'analyse et la compréhension du maillage, et plus
particulièrement la segmentation. La segmentation consiste à subdiviser le maillage en différentes
parties de caractéristiques identiques, soit d'un point de vue strictement géométrique, soit d'un point de
vue perceptif / sémantique.
Pour apporter une solution à ce problème, de nombreux systèmes ont été et sont encore actuellement
développés pour la segmentation d'images ou de vidéos. Cependant, les solutions proposées dans le
cas d'informations purement bidimensionnelles ne sont pas réellement efficaces ou difficilement
adaptables à des données intrinsèquement tridimensionnelles. De plus, force est de constater qu'à la
différence de ce qui existe en segmentation d'images 2D, il n'existe ni protocole, ni jeu de données
standard pour la comparaison et l'évaluation des méthodes de segmentations de maillages 3D.
Dans ce contexte, les objectifs du projet MADRAS sont les trois suivants :
1. Créer une collection de maillages 3D et 3D+t – c'est-à-dire de maillages 3D statiques et
dynamiques – accompagnée d'une vérité-terrain. Cette vérité-terrain sera composée d'une ou
plusieurs segmentations pour chaque modèle 3D. Ces segmentations viendront de
segmentations "faites-mains" mais aussi de méthodes automatiques ou semi-automatiques.
2. Exploiter le facteur humain, au travers de tests subjectifs, pour améliorer la conception et
l'évaluation des algorithmes de segmentation. Les aspects subjectifs et perceptifs seront utilisés
pour mettre en place des outils de référence qui permettront un processus automatique de
comparaison des méthodes de segmentation existantes ou futures.
3. Mettre en oeuvre de nouveaux algorithmes de segmentation aussi bien pour les maillages
statiques (3D) que dynamiques (3D+t) exploitant le facteur humain, par des techniques
d'apprentissage.
Grâce à ce triple objectif, le projet MADRAS ambitionne de venir en aide aux communautés scientifiques
impliquées dans la segmentation de modèles 3D. Un tel benchmark accompagné de ses outils permettra
aux chercheurs d'évaluer et de comparer les méthodes existantes et à venir. Et au delà ce cela,
l'introduction du facteur humain, avec les aspects subjectifs et perceptifs, constitue une première
tentative dans le domaine de la 3D.
Le consortium d'excellence formé pour ce projet est composé de trois partenaires académiques français
(LIRIS, USTL/LIFL et INRIA Rhône-Alpes). Chaque partenaire possède une expérience forte et
internationalement reconnue dans le domaine de l'analyse, de la segmentation et de l'exploitation des
modèles 3D.