Annonce

Les commentaires sont clos.

Sujet de Stage Master - Création d’une base de données synthétique d’images rolling shutter light field

16 December 2022


Catégorie : Stagiaire


 


 

Encadrements:

Hermès McGRIFFMail: hermes.mcgriff@u-bourgogne.fr

Renato MartinsMail: renato.martins@u-bourgogne.fr

Lieu: Laboratoire ImViA (Dijon)

Durée: 16 à 24 semaines à partir de mars 2022

 


Contexte: Les caméras light field (ou caméras plénoptiques) sont des caméras qui capturent le champ lumineux d'une scène, c’est-à-dire l’orientation des rayons de lumières qui entrent dans son système optique [1]. Cela permet notamment de pouvoir récupérer à partir d’une seule image la géométrie 3D de la scène observée. Notre étude porte actuellement sur le comportement de ce type de capteur quand la scène est en mouvement durant l’acquisition de ce light field, en considérant que la caméra est équipée d’un capteur à rolling shutter, et que, par conséquent, tous les pixels ne sont pas exposés au même moment [2]. Il n’existe pas de données de ce type à ce jour.

Ce stage s’inscrit dans un projet mené entre le Laboratoire ImViA et l’Institut Femto-st (Besançon) et sera financé par le Grand Prix Scientifique 2018 de la Fondation Ch. Defforey - Institut de France.

 

Mission: Le/la stagiaire recruté.e aura pour mission de produire une base de données synthétique à l’aide de Blender [3]comprenant des images rolling shutter light field (RSLF). Dans l’optique de produire un nombre important de données, le/la stagiaire devra automatiser la génération de scènes pertinentes dans le cadre de cette étude. Le partage de cette base de donnée à la communauté scientifique se fera notamment à travers un article scientifique duquel le ou la stagiaire sera intégré à la rédaction.

Le travail consistera donc à comprendre et à s'approprier les enjeux du sujet afin d’identifier les scénarios intéressants à intégrer à la base de données RSLF. Il consistera ensuite à générer de manière automatique ces données puis de les mettre en forme dans l’optique de leur partage avec la communauté scientifique.

En cas de rapide avancement dans sa mission, le/la stagiaire pourra également s’attaquer à l’application de méthodes de deep learning [4] sur la base de données RSLF qu’il ou elle aura généré.

 


 

 

Profil attendu: Formation initiale à Bac+5 en informatique ou robotique, avec des connaissances préalables en vision par ordinateur.

Goût pour la programmation (en particulier en python) et l'expérimentation.

Des connaissances dans l’utilisation du logiciel blender sont un plus.

Des connaissances en machine learning sont un plus.

Bon niveau en anglais et français écrit et parlé.

Créativité, imagination et curiosité, intérêt pour le monde de la recherche académique.

Fiabilité.

Une attention particulière sera donnée aux questions de genre et d’équité sociale.

 

Candidature: Envoyer CV + lettre de motivation à hermes.mcgriff@u-bourgogne.fr et renato.martins@u-bourgogne.fr

 


 

 

Références:

[1] Edward H Adelson and John YA Wang. Single lens stereo with a plenoptic camera. IEEE transactions on pattern analysis and machine intelligence, 14(2):99–106, 1992.

[2] Omar Ait-Aider, Nicolas Andreff, Jean Marc Lavest, and Philippe Martinet. Simultaneous object pose and velocity computation using a single view from a rolling shutter camera. In European Conference on Computer Vision, pages 56–68. Springer, 2006.

[3] Tim Michels, Arne Petersen, Luca Palmieri, and Reinhard Koch. Simulation of plenoptic cameras. In 2018-3DTVConference: The True Vision-Capture, Transmission and Display of 3D Video (3DTV-CON), pages 1–4. IEEE, 2018.

[4] Stefan Heber and Thomas Pock. Convolutional networks for shape from light field. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 3746–3754, 2016.