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, et dans le cadre du projet MADRA, les objectifs de ma thèse sont les trois suivants :
Créer une collection de maillages 3D 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.
Exploiter le facteur humain, à travers des 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.
Mettre en œuvre de nouveaux algorithmes de segmentation pour les maillages statiques (3D) exploitant le facteur humain, par des techniques d'apprentissage.