Le projet proposé vise à développer un système automatisé de modélisation 3D des bâtiments par intelligence artificielle, et plus particulièrement par l’utilisation des réseaux de neurones convolutifs. Ces derniers sont reconnus pour leur performance en vision par ordinateur, notamment dans la segmentation d’objets fournis à travers des exemples d’entrainement. Le système de modélisation 3D utilisera la combinaison de photographies aériennes et de données lidar afin d’améliorer la segmentation des bâtiments.

Le projet proposé vise à développer un système de détection des erreurs de parallaxe présentes sur les modèles stéréoscopiques par intelligence artificielle, et plus particulièrement par l’utilisation des réseaux de neurones convolutifs. Ces derniers sont reconnus pour leur performance en vision par ordinateur, notamment dans la détection automatisée d’éléments fournis à travers des exemples d’entrainement.

La compagnie XEOS Imagerie œuvre dans le domaine de l’acquisition de données lidar (Light Detection and Ranging). Elle désire extraire automatiquement les points associés au sol et aux objets à partir du nuage de points 3D brut de l’acquisition lidar. Deux stages précédents ont permis d’identifier les points « Sol » et « Eau ». Le projet proposé implique d’augmenter le nombre de classes qui seront identifiées automatiquement, notamment la végétation, les édifices, les routes et plusieurs types de structures humaines.

La compagnie XEOS Imagerie oeuvre dans le domaine de l’acquisition de données lidar (Light Detection and Ranging). Elle désire extraire automatiquement les points associés au sol et aux objets à partir du nuage de points 3D brut de l’acquisition lidar. La procédure actuelle pour classifier les points repose sur une combinaison d’algorithmes spécialisés et d’interprétation humaine. Cette procédure est laborieuse.

Le projet proposé vise à développer un système d’aide à la détection et à la localisation des défauts présents sur les photographiques aériennes par intelligence artificielle, et plus particulièrement par l’utilisation des réseaux de neurones convolutifs. Ces derniers sont reconnus pour leur performance en vision par ordinateur, notamment dans la détection automatisée d’éléments fournis à travers des exemples d’entrainement.