Imagerie Non Conventionnelle pour une Mobilité sécurisée en Milieu Urbain – ICUB

-Segmentation
-Estimation de la profondeur
-Détection,/classification
-Fusion de données multi-capteurs
-Réseaux de neurones profonds

-Segmentation d'images polarimétriques
-Augmentation d'images polarimétriques par méthodes classiques et par méthodes génératives adverseriales (GAN)
-Estimation de la profondeur en se basant sur une seule image (monodepth)
-Détection d'obstacles routiers en conditions météo dégradées par fusion multi-capteur (classique et polarimétrique)

-Validation des algorithmes de détection développés sur des images acquises au CEREMA (Clermont Ferrand) dans des condition de visibilité très réduite (brouillard fort, pluie forte, nuit)
-Application des algorithmes d'estimation monodepth sur des cas d'usages complexes (soleil frontal, réflexion fortes, mauvaise météo)
-Prise en compte de l'aspect temporel (vidéo)
Expérimentation sur des pistes locales
-Detection temps réel d'obstacle routier en condition météo dégradées par leur sémantique et leur distance par rapport au conducteur
-Expérimentation à grande échelle dans la ville de Paris (Stellantis)

-BLIN, Rachel, AINOUZ, Samia, CANU, Stéphane, et Fabrice Mériaudeau. A new multimodal RGB and polarimetric image dataset for road scenes analysis. In : Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. p. 216-217. 2020
-BLIN, Rachel, AINOUZ, Samia, CANU, Stéphane, et Fabrice Mériaudeau. Road scenes analysis in adverse weather conditions by polarization-encoded images and adapted deep learning. In : 2019 IEEE Intelligent Transportation Systems Conference (ITSC). 2019
-Blin, R., Ainouz, S., Canu, S., & Meriaudeau, F. (2019, July). Adapted learning for polarization-based car detection. In Fourteenth International Conference on Quality Control by Artificial Vision (Vol. 11172, p. 1117218). International Society for Optics and Photonics.
-BLANCHON, Marc, SIDIBÉ, Désiré, MOREL, Olivier, et al. P2D: a self-supervised method for depth estimation from polarimetry. arXiv preprint arXiv:2007.07567, ICPR 2020.
-BLANCHON, Marc, MOREL, Olivier, MERIAUDEAU, Fabrice, et al. Polarimetric image augmentation. arXiv preprint arXiv:2005.11044, ICPR, 2020.
-ZHANG, Yifei, MOREL, Olivier, BLANCHON, Marc, et al. Exploration of Deep Learning-based Multimodal Fusion for Semantic Road Scene Segmentation. In : VISIGRAPP (5: VISAPP). 2019. p. 336-343.

Dans le cadre des systèmes d’aide à la conduite avancée (ADAS), le projet ICUB propose de relever le défi de réaliser un système capable de détecter les obstacles routiers en toutes circonstances : obstacles dynamiques, présence d’objets réfléchissants, de flaques d’eau sur la chaussée, conditions météo dégradées ou obstacles lointains. Ce projet présente un ensemble cohérent allant de l’acquisition à la détection des obstacles par leur sémantique. En ce qui concerne notre système imageur, celui-ci comportera un couple stéréo polarimétrique. La détection des obstacles se fera par fusion des informations données par deux modalités : la polarimétrie et la carte de disparité obtenue par stéréovision. L’objectif majeur de la multimodalité est de tirer profit conjointement des avantages de l’imagerie polarimétrique pour la discrimination à une échelle fine des objets, et de l’information de profondeur pour estimer la distance de l’obstacle par rapport au véhicule et par conséquent son degré de dangerosité. L’utilisation de l’imagerie non conventionnelle représente une alternative intéressante aux méthodes de détection existantes en se basant sur des propriétés traduisant l’interaction surface/lumière plutôt que sur des propriétés scalaires ou géométriques. Le projet ICUB est un projet de recherche collaboratif qui réunit deux laboratoires de recherche (LE2I, LITIS) et deux partenaires industriels (Stereolabs et PSA), tous convaincus de la valeur ajoutée de la polarimétrie pour l’analyse de scènes routières.