Relève en intelligence et données - Axe environnement physique

13h - Présentation d'Ali Ahmadi (en anglais)

Smart Sidewalk : Using Deep Learning for Mobility Assessment of Wheelchair Users in Winter Conditions from Multisensor Data

This talk aims at briefly presenting the results of a pilot project called “smart sidewalk” and carried out in partnership with a Quebec-based company called Kalitec providing the research team with access to its innovative set of self-sufficient terminals composed of different sensors (air and surface condition sensors, camera with motion detectors, and communication equipment, etc.). These sensors were installed in an intersection in front of the rehabilitation institute in Quebec City (IRDPQ) to analyze the sidewalk accessibility and the mobility of wheelchair users in winter conditions. The system allowed acquiring huge amount of data in the intersection for 6 months (1 image per 15 minutes together with data on air and surface temperature and humidity conditions). To detect and analyze the mobility of wheelchair users, we applied a multilayer deep learning algorithm called YOLOv3 (You Look Only Once version 3). During our talk, we will give some insight into the obtained results and will present some future research and development orientations.

13h20 - Présentation d'Aymane Dahbi (en français)

Vers une nouvelle approche d’extraction des réseaux hydrographiques à partir des points LiDAR massifs au sol

L'objectif de notre recherche consiste à développer une nouvelle approche d'extraction des réseaux hydrographiques directement à partir des points LiDAR massif au sol. Cette approche repose sur la théorie de Morse pour le calcul du réseau de surface caractérisant le squelette des réseaux hydrographiques. Elle prendra également en compte le défi lié au traitement des données LiDAR massives à travers l’implémentation d’une solution de parallélisme par conteneurs afin de garantir l'extensibilité de l'approche proposée.

13h40 - Présentation de Pauline Perbet (en français)

Utiliser l’apprentissage profond pour relever le défi de la classification du type de perturbation forestière par télédétection

La classification du type de perturbation forestière par télédétection reste un défi, en particulier en ce qui concerne les perturbations partielles (coupe ou feux partiels) ou progressives (épidémie). Notre projet évalue la capacité des modèles d’apprentissages profonds à tirer parti des caractéristiques spectrales et temporelles de la collection d’images Landsat pour améliorer la qualité des cartographies de perturbation au Québec.

14h - Présentation de Mohammad Reza Karimi Dastjerdi (en anglais)

Guided Co-Modulated GAN for 360° Field of View Extrapolation

We propose a method to extrapolate a 360° field of view from a single image that allows for user-controlled synthesis of the out-painted content. To do so, we propose improvements to an existing GAN-based in-painting architecture for out-painting panoramic image representation. Our method obtains state-of-the-art results and outperforms previous methods on standard image quality metrics. To allow controlled synthesis of out-painting, we introduce a novel guided co-modulation framework, which drives the image generation process with a common pre trained discriminative model. Doing so maintains the high visual quality of generated panoramas while enabling user-controlled semantic content in the extrapolated field of view. We demonstrate the state-of-the-art results of our method on field of view extrapolation both qualitatively and quantitatively, providing thorough analysis of our novel editing capabilities. Finally, we demonstrate that our approach benefits the photorealistic virtual insertion of highly glossy objects in photographs.