EP4602516A1 - Récepteur pour décompression de données avec rehaussement par auto-encodeur - Google Patents

Récepteur pour décompression de données avec rehaussement par auto-encodeur

Info

Publication number
EP4602516A1
EP4602516A1 EP23789665.9A EP23789665A EP4602516A1 EP 4602516 A1 EP4602516 A1 EP 4602516A1 EP 23789665 A EP23789665 A EP 23789665A EP 4602516 A1 EP4602516 A1 EP 4602516A1
Authority
EP
European Patent Office
Prior art keywords
data
encoder
auto
compressed
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP23789665.9A
Other languages
German (de)
English (en)
Inventor
Yasser ALMEHIO
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Valeo Vision SAS
Original Assignee
Valeo Vision SAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Valeo Vision SAS filed Critical Valeo Vision SAS
Publication of EP4602516A1 publication Critical patent/EP4602516A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/098—Distributed learning, e.g. federated learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q1/00—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor
    • B60Q1/02—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments
    • B60Q1/04—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights
    • B60Q1/14—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights having dimming means
    • B60Q1/1415—Dimming circuits
    • B60Q1/1423—Automatic dimming circuits, i.e. switching between high beam and low beam due to change of ambient light or light level in road traffic
    • B60Q1/143—Automatic dimming circuits, i.e. switching between high beam and low beam due to change of ambient light or light level in road traffic combined with another condition, e.g. using vehicle recognition from camera images or activation of wipers
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
    • H05B45/40—Details of LED load circuits
    • H05B45/44—Details of LED load circuits with an active control inside an LED matrix
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
    • H05B47/10—Controlling the light source
    • H05B47/155—Coordinated control of two or more light sources
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
    • H05B47/10—Controlling the light source
    • H05B47/175—Controlling the light source by remote control
    • H05B47/18—Controlling the light source by remote control via data-bus transmission

Definitions

  • PSNR Peak Signal to Noise Ratio
  • Such enhancement by artificial intelligence makes it possible to remove at least some of the defects in the decompressed data. It is thus possible to provide compression with a high compression rate, and therefore to transmit high resolution data on communication channels with constrained flow rates.
  • the decompression of said compressed data can be based on a linearization, gradient, JPG or PCA decompression algorithm.
  • the decompression of the compressed data can be implemented by processing by layers of neurons comprising an output layer and at least one hidden convolutional layer of a second convolutional neural network of the auto-encoder type, said output layer comprising a first number of dimensions and said at least one hidden convolutional layer comprising a second number of dimensions, the second number of dimensions being less than the first number of dimensions.
  • the compression can itself come from an autoencoder, called a second autoencoder. It is thus made possible to control the level of compression by fixing the number of dimensions of the latent vector. Even at high compression levels, enhancement provides good quality enhanced data with few or no defects.
  • the method may further comprise, during the preliminary phase, unsupervised learning of the second auto-encoder convolutional neural network on a second training data set.
  • the compressed data and the enhanced data may be representative of photometry of a lighting device for a motor vehicle.
  • the enhanced data can be transmitted to a control module of a lighting device for a motor vehicle.
  • the receiver can advantageously be implemented in a lighting device for controlling at least one of the lighting modules of the lighting device.
  • the compressed data can be received from a centralized control module of a motor vehicle and the communication channel can be a CAN bus.
  • Such a communication channel has the advantage of being secure and inexpensive. However, it is constrained in flow and may require high compression ratios, which makes the use of the enhancement according to the invention particularly advantageous.
  • a third aspect of the invention relates to a system comprising a receiver according to the second aspect of the invention, an encoder capable of receiving input data, compressing the input data into compressed data and transmitting the compressed data to the receiver via a communication channel.
  • the encoder can be integrated into a central control module of a motor vehicle
  • the receiver can be integrated into a lighting device of the motor vehicle
  • the communication channel can be a CAN bus and the Input data may be representative of lighting photometry.
  • FIG. 1 is a diagram illustrating the steps of a data processing method according to embodiments of the invention.
  • FIG. 1 illustrates a data compression system by a second auto-encoder convolutional neural network according to one embodiment of the invention
  • FIG. 1 illustrates a structure of a receiver according to embodiments of the invention.
  • FIG. 1 There illustrates a system 100 for transmitting data, in particular image data.
  • the system 100 includes an encoder 110 and a receiver 120, connected by a communication channel 130.
  • the encoder 110 can be integrated into equipment of a motor vehicle, such as a control module responsible for the lighting of the motor vehicle.
  • a control module can be of the PCM type, for “Powertrain Control Module” in English, or ECU, for “Electronic Control Unit” in English, for example.
  • the receiver or decoder 120 can for its part be integrated into equipment of a motor vehicle, such as a lighting device comprising lighting modules capable of performing lighting functions as a function of data communicated by the module control unit comprising the encoder 110.
  • a lighting device comprising lighting modules capable of performing lighting functions as a function of data communicated by the module control unit comprising the encoder 110.
  • at least one lighting module of the lighting device is a pixelated module, for example with a matrix of electroluminescent elements such as LEDs, with a matrix of micro-mirrors , type DMD for “Digital Micromirror Devices” in English, a monolithic source of electroluminescent elements on the same substrate, or any other technology allowing the production of a pixelated lighting beam.
  • a monolithic source involves a plurality of electroluminescent semiconductor elements with submillimeter dimensions, epitaxied directly on a common substrate, the substrate generally being made of silicon.
  • each elementary light source is an electronic component produced individually and mounted on a substrate such as a printed circuit, PCB
  • a monolithic source is to be considered as a single electronic component, during the production of which several areas of light-emitting semiconductor junctions are generated on a common substrate, in the form of a matrix.
  • the communication channel 130 can thus be a wired link such as a CAN bus or an Ethernet link.
  • a wired link such as a CAN bus or an Ethernet link.
  • a CAN bus is considered for illustrative purposes. It has the advantage of being a secure and inexpensive connection.
  • a CAN bus is constrained in throughput and requires transmitting data in the form of 8-bit coded integers.
  • the encoder 110 is integrated into a control module of the motor vehicle and the receiver 120 is integrated into a remote server of the motor vehicle.
  • the communication channel 130 comprises a wireless communication channel allowing the encoder to access an IP network in which the remote server comprising the decoder 120 is located.
  • a wireless communication channel can be a cellular connection type 3G, 4G, 5G or any subsequent generation.
  • the encoder 110 comprises a data compression module 111 capable of receiving input data, such as data encoding an image, for example a photometric image, and of obtaining compressed data from the input data, and from a data compression algorithm, such as a linearization, gradient, JPG, PCA or other algorithm.
  • the compressed data corresponds to a latent vector of an auto-encoding convolutional neural network, as will be detailed later with reference to the .
  • the decoder 120 or receiver 120, comprises a decompression module 121 corresponding to the decompression module 111, and capable of decompressing the compressed data received via the communication channel 130, in order to obtain decompressed data.
  • the invention provides for adding a module 122, software or physical, for enhancing the compressed data in order to obtain enhanced data, having fewer defects than the decompressed data at the output of the decompression module 121.
  • the enhancement module 122 may comprise a first auto-encoder convolutional neural network 200 described with reference to the .
  • An auto-encoder convolutional neural network also called auto-encoder in the following, comprises several layers of neurons, including an input layer 200.1, an output layer 201.1, at least one hidden convolutional layer, layer side input layer 200.1, and at least one hidden convolutional deconvolution layer, on the output layer side 201.1.
  • the first hidden convolution layer 200.2 includes the same number of dimensions as the first hidden deconvolution layer 201.2.
  • the second hidden convolution layer 200.3 includes the same number of dimensions as the second deconvolution layer 201.3.
  • An autoencoder thus comprises a symmetrical set of layers of neurons.
  • the latent vector is a compressed version data received by the input layer 200.1.
  • the autoencoder 200 is capable of enhancing compressed data received as input, into enhanced data having fewer defects and closer to the input images received and compressed by the encoder 110.
  • the first training dataset includes more than a hundred image pairs, preferably several thousand or tens of thousands of image pairs.
  • Supervised learning then consists of submitting, for each pair of images, the compressed image as input to the first autoencoder 200.
  • the image obtained at the output of the output layer 201.1 is compared to the optimal quality image. associated with the compressed image, in order to estimate the difference, for example a quadratic error between the image output from the first autoencoder and the optimal quality image.
  • the first autoencoder 200 is then modified as a function of the determined deviation, for example by changing the characteristic values of one or more layers of neurons, in order to reduce the calculated deviation.
  • the data of the first training data set are pairs images representative of the light beam to be produced by motor vehicle lighting devices. Such images are also called photometries.
  • the data in the first training dataset can be any type of image.
  • the data in the training dataset may be images acquired by motor vehicle cameras.
  • the quadratic error is minimized and the first autoencoder 200 is able to reconstruct images of optimal quality from images comprising one or more defects, following their compression.
  • the autoencoder 200 can thus be implemented in the receiver 120 described above.
  • the first autoencoder 200 can provide for reuse, by layers of deconvolution neurons, of characteristics of the layers of convolution neurons. Such reuse can be enabled by at least one layer-skip connection, connecting two non-consecutive convolutional neuron layers of the first autoencoder 200.
  • the first autoencoder 200 comprises at least one jump-layer connection 220.1 between a pair of layers having the same number of dimensions, or characteristics, each pair comprising a convolution layer and a deconvolution layer.
  • the jump-layer connections 220.1 can thus comprise a connection between the input layer 200.1 and the output layer 201.1, a connection between the first hidden convolution layer 200.2 and the first hidden deconvolution layer 201.2, and a connection between the second hidden convolution layer 200.3 and the second hidden deconvolution layer 201.3.
  • the first autoencoder 200 comprises at least one jump-layer connection 220.2 between a pair of layers having different numbers of dimensions, or characteristics, each pair comprising a convolution layer and a deconvolution layer.
  • the jump-layer connections 220.2 can thus comprise a connection between the first hidden convolution layer 200.2 and the second hidden deconvolution layer 201.3 and a connection between the second hidden convolution layer 200.3 and the first hidden deconvolution layer 201.2.
  • Such layer-jumping connections advantageously make it possible to carry out complex data processing with deep neural networks.
  • the method comprises a preliminary phase 300, comprising a step 301 of obtaining the first set of training data, comprising pairs of images as described above.
  • a preliminary phase 300 comprising a step 301 of obtaining the first set of training data, comprising pairs of images as described above.
  • Optimal quality images can come from real situations or simulations, for example.
  • the first auto-encoder convolutional neural network 200 is trained by supervised learning on the basis of the image pairs of the first training data set obtained in the previous step 301.
  • the first autoencoder 200 thus obtained is capable of improving the quality of compressed data.
  • the processing method further comprises a current phase 310 comprising a step 311 of reception by the receiver 120 of compressed data, via the communication channel 130 described above.
  • the data received was in particular compressed beforehand by the encoder 110 described above, no restriction being attached to the data compression technique.
  • the decompression module 121 decompresses the compressed data received during the previous step 311, as described previously.
  • the decompressed data is processed by the first autoencoder 200 in order to be enhanced.
  • Enhanced data is thus obtained at the end of step 313.
  • the enhanced data makes it possible to obtain an image of optimal quality, close to the image initially compressed by the encoder 110.
  • the compression module 111 and the decompression module 121 may be able to implement a compression/decompression algorithm such as linearization, gradient, JPG, PCA or other algorithms.
  • the compression/decompression is implemented by means of a second auto-encoder convolutional neural network, or second auto-encoder hereinafter, the compression and decompression modules 111 and 121 each comprising a part of the second auto-encoder .
  • the compression module 111 thus comprises a first part 400 of the second auto-encoder while the decompression module 121 comprises a second part 410 of the second auto-encoder.
  • the second autoencoder is capable of compressing input data, in particular images of optimal quality, such as photometry images for a lighting device.
  • the second autoencoder can be constructed by unsupervised learning on a second training data set, different from the first training data set.
  • the second autoencoder comprises an input layer 401 implemented in the encoder 110 and an output layer 411 implemented in the receiver 120, the input layer and the output layer having the same number of nodes or neurons, therefore the same number of dimensions.
  • the auto-encoder system further comprises one or more hidden convolutional layers, each hidden convolutional layer having a number of dimensions less than the number of dimensions of the input layer 401 and the output layer 411.
  • Hidden convolutional layers with the smallest number of dimensions, or core layers, are able to exchange a “code” or “latent vector” and this latent vector is thus a compressed version of the input data.
  • the central layers can thus be shared between the encoder 112 and the decoder 123 so as to exchange compressed data, thus making it possible to reduce the flow requirements and the quantity of data exchanged between the encoder and the decoder, while minimizing the losses.
  • the first part 400 thus comprises a central encoding layer 402 and the second part 410 comprises a central decoding layer 412.
  • the central encoding layer 402 and the central decoding layer 412 are capable of exchanging a code or latent vector comprising a number of dimensions less than the input data.
  • the second autoencoder is trained by unsupervised learning so as to minimize the square error between the input data and the output data from the output layer, given a number of dimensions of the central layers, therefore at given compression level.
  • the second training data set can be submitted to the second autoencoder.
  • the training dataset may include a set of images, such as vehicle lighting photometries in the example considered here.
  • the autoencoder evaluates the square error between the image submitted to the input layer 401 and the image provided by the output layer 411, and varies the characteristics of its neurons as well as the number of neurons, or even the number of hidden layers, as a function of this quadratic error, while retaining a constraint to obtain a latent vector having a given number of dimensions. The goal is thus to minimize the quadratic error by learning.
  • Nbits*Im_Size represents the size in bits of the input data.
  • the compression rate CR can thus vary by varying the number of LVdim dimensions of the latent vector.
  • Selecting a compression rate may depend on quality metrics comparing output data with input data. Such indicators may include a Peak Signal to Noise Ratio, or PSNR, or a Mean Square Error, or MSE for example.
  • PSNR Peak Signal to Noise Ratio
  • MSE Mean Square Error
  • a number of dimensions of the latent vector ensuring a PSNR greater than a given threshold, such as 30 for example, could be fixed.
  • the communication channel 130 is limited in flow, as is particularly the case with a CAN bus, generally used between a PCM and a lighting device, high compression rates, or even reformatting of the data, is necessary in order to allow the transport of the latent vector on the communication channel 130.
  • the decompressed data from the output layer 411 may present defects, which makes the use of the enhancement module 122 described previously advantageous.
  • Memory 502 stores, permanently or temporarily, all of the data generated following the implementation of steps 311 to 314 of the data processing method described above.
  • the memory 502 further stores the first auto-encoder convolutional neural network 200 during step 303 described above.
  • the decoder 120 may further comprise a second output interface 504 capable of transmitting the output data, during step 314 described above.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Reduction Or Emphasis Of Bandwidth Of Signals (AREA)
  • Image Analysis (AREA)

Abstract

L'invention concerne un récepteur (120) comprenant : - une mémoire (502) stockant un premier réseau de neurones convolutionnel auto-encodeur apte à obtenir des données rehaussées à partir de données compressées; - une première interface (503) apte à recevoir des données compressées sur un canal de communication (130); - un processeur (501) configuré pour décompresser les données en des données décompressées, et pour appliquer le premier réseau de neurones convolutionnel auto-encodeur aux données compressées pour obtenir des données rehaussées; - une deuxième interface (504) apte à transmettre les données rehaussées.

Description

    Récepteur pour décompression de données avec rehaussement par auto-encodeur
  • La présente invention se rapporte au domaine de la réception et du traitement de données, notamment de données d’images. L’invention s’applique en particulier, mais non exclusivement, à des données échangées dans ou par un véhicule automobile.
  • Il est connu de compresser des données, notamment des données d’image, afin de limiter la quantité de données transmises sur un canal de communication.
  • En effet, certains canaux de communication sont limités en bande passante. C’est le cas notamment du bus CAN, bien que ce type de canal de communication soit très utilisé car sécurisé et peu cher. Ce canal de communication est notamment utilisé dans les véhicules automobiles, par exemple pour transmettre des images photométriques entre un module de contrôle central du véhicule et un dispositif d’éclairage du véhicule.
  • Les données images transmises, y compris dans des véhicules automobiles, ont désormais des résolutions élevées. A niveau de contrainte égale en débit sur le canal de communication, il en résulte des taux de compression élevés, qui peuvent induire des défauts, tels que du bruit, des artefacts ou un PSNR faible dans les images décompressées côté récepteur. PSNR se rapport au rapport signal à bruit de crête, et signifie « Peak Signal to Noise Ratio » en anglais.
  • C’est le cas notamment avec des algorithmes de compression avec perte, tels que des algorithmes de linéarisation, par gradient, JPG, PCA ou autres. Lorsque ces images sont des photométries permettant de contrôler un dispositif d’éclairage pour véhicule automobile, les défauts ou artefacts se répercutent dans le faisceau projeté, d’autant plus que la résolution des modules d’éclairage à faisceau pixelisé devient elle aussi élevée. De tels défauts peuvent induire des problèmes de sécurité et/ou rendre le faisceau lumineux non conforme à une régulation.
  • Il existe ainsi un besoin de recevoir et traiter des données d’images de résolution élevée, via un canal de communication contraint en débit, sans induire de grands défauts ou artefacts dans les images finalement traitées côté récepteur.
  • A cet effet un premier aspect de l’invention concerne un procédé de traitement de données comprenant les opérations suivantes :
    • lors d’une phase préalable, apprentissage supervisé d’un premier réseau de neurones convolutionnel auto-encodeur sur la base d’un premier jeu de données d’entraînement, le premier jeu de données d’entraînement comprenant des paires d’images comprenant une image de qualité donnée et une image compressée obtenue par compression de l’image de qualité donnée, dans lequel l’apprentissage supervisé est apte à minimiser un écart entre une image rehaussée obtenue par traitement par le premier réseau de neurones convolutionnel auto-encodeur d’une image compressée, et l’image de qualité donnée associée par paire à l’image compressée;
    • stockage dudit premier réseau de neurones convolutionnel auto-encodeur dans un récepteur.
    • Le procédé comprend en outre, lors d’une phase courante mise en œuvre par le récepteur :
    • réception de données compressées depuis un canal de communication ;
    • décompression desdites données compressées en des données décompressées ;
    • application du premier réseau de neurones convolutionnel auto-encodeur aux données compressées pour obtenir des données rehaussées ;
    • transmission desdites données rehaussées.
  • Un tel rehaussement par intelligence artificielle permet de supprimer au moins certains des défauts dans les données décompressées. Il est ainsi possible de prévoir une compression avec un taux de compression élevé, et donc de transmettre des données de résolution élevée sur des canaux de communication contraints en débit.
  • Selon des modes de réalisation, la décompression desdites données compressées peut être basée sur un algorithme de décompression par linéarisation, par gradient, JPG ou PCA.
  • Ainsi, il est possible de rehausser des images compressées par des algorithmes de compression. A cet effet, le premier jeu de données d’entraînement peut avantageusement comprendre des paires d’images, avec des images compressées selon différents algorithmes de compression. En pratique, il peut être atteint des niveaux de rehaussement élevé d’images compressées par de tels algorithmes.
  • Selon des modes de réalisation, la décompression des données compressées peut être mise en œuvre par un traitement par des couches de neurones comprenant une couche de sortie et au moins une couche convolutionnelle cachée d’un deuxième réseau de neurones convolutionnel de type auto-encodeur, ladite couche de sortie comprenant un premier nombre de dimensions et ladite au moins une couche convolutionnelle cachée comprenant un deuxième nombre de dimensions, le deuxième nombre de dimensions étant inférieur au premier nombre de dimensions.
  • Ainsi, la compression peut elle-même être issue d’un auto-encodeur, appelé deuxième auto-encodeur. Il est ainsi rendu possible de maîtriser le niveau de compression par fixation du nombre de dimensions du vecteur latent. Même pour des niveaux de compression élevés, le rehaussement permet d’obtenir des données rehaussées de bonne qualité, présentant peu ou pas de défauts.
  • En complément, le procédé peut comprendre en outre, lors de la phase préalable, un apprentissage non-supervisé du deuxième réseau de neurones convolutionnel auto-encodeur sur un deuxième jeu de données d’entraînement.
  • Ainsi, l’étape d’apprentissage est simplifiée pour le deuxième auto-encodeur. L’apprentissage non-supervisé peut par exemple consister à optimiser le deuxième auto-encodeur de manière à minimiser un écart entre des données d’entrée, et des données de sortie de l’auto-encodeur, obtenues après compression et décompression des données d’entrée.
  • Selon des modes de réalisation, les données compressées et les données rehaussées peuvent être représentatives d’une photométrie de dispositif d’éclairage pour véhicule automobile.
  • Il est important pour des raisons réglementaires et de sécurité de minimiser les défauts dans de telles données photométriques. L’utilisation du rehaussement selon l’invention est alors particulièrement avantageuse.
  • En complément, les données rehaussées peuvent être transmises à un module de commande d’un dispositif d’éclairage pour véhicule automobile.
  • Ainsi, le récepteur peut avantageusement être implémenté dans un dispositif d’éclairage pour la commande d’au moins l’un des modules d’éclairage du dispositif d’éclairage.
  • En complément ou en variante, les données compressées peuvent être reçues depuis un module de contrôle centralisé de véhicule automobile et le canal de communication peut être un bus CAN.
  • Un tel canal de communication présente l’avantage d’être sécurisé et peu coûteux. Il est toutefois contraint en débit et peut nécessiter des taux de compression élevés, ce qui rend l’utilisation du rehaussement selon l’invention particulièrement avantageux.
  • Un deuxième aspect de l’invention concerne un récepteur comprenant :
    • une mémoire stockant un premier réseau de neurones convolutionnel auto-encodeur apte à obtenir des données rehaussées à partir de données compressées ;
    • une première interface apte à recevoir des données compressées sur un canal de communication ;
    • - au moins un processeur configuré pour décompresser les données en des données décompressées, et pour appliquer le premier réseau de neurones convolutionnel auto-encodeur aux données compressées pour obtenir des données rehaussées ;
    • une deuxième interface apte à transmettre les données rehaussées.
  • Un troisième aspect de l’invention concerne un système comprenant un récepteur selon le deuxième aspect de l’invention, un encodeur apte à recevoir des données d’entrée, à compresser les données d’entrées en des données compressées et à transmettre les données compressées au récepteur via un canal de communication.
  • Selon des modes de réalisation, l’encodeur peut être intégré dans un module de contrôle central d’un véhicule automobile, le récepteur peut être intégré dans un dispositif d’éclairage du véhicule automobile, le canal de communication peut être un bus CAN et les données d’entrée peuvent être représentatives d’une photométrie d’éclairage.
  • D’autres caractéristiques et avantages de l’invention apparaîtront à l’examen de la description détaillée ci-après, et des dessins annexés sur lesquels :
  • illustre un système de transmission de données selon des modes de réalisation de l’invention;
  • illustre la structure d’un premier réseau de neurones convolutionnel auto-encodeur selon des modes de réalisation de l’invention ;
  • est un diagramme illustrant les étapes d’un procédé de traitement de données selon des modes de réalisation de l’invention ;
  • illustre un système de compression de données par un deuxième réseau de neurones convolutionnel auto-encodeur selon un mode de réalisation de l’invention ;
  • illustre une structure d’un récepteur selon des modes de réalisation de l’invention.
  • La description se concentre sur les caractéristiques qui démarquent les procédés, le système, l’encodeur et le décodeur de ceux connus dans l’état de l’art.
  • La illustre un système 100 de transmission de données, notamment de données d’images.
  • Le système 100 comprend un encodeur 110 et un récepteur 120, reliés par un canal de communication 130.
  • L’encodeur 110 peut être intégré dans un équipement d’un véhicule automobile, tel qu’un module de contrôle en charge de l’éclairage du véhicule automobile. Un tel module de contrôle peut être de type PCM, pour « Powertrain Control Module » en anglais, ou ECU, pour « Electronic Control Unit » en anglais, par exemple.
  • Le récepteur ou décodeur 120 peut quant à lui être intégré dans un équipement d’un véhicule automobile, tel qu’un dispositif d’éclairage comprenant des modules d’éclairage aptes à réaliser des fonctions d’éclairage en fonction de données communiquées par le module de contrôle comprenant l’encodeur 110. De manière préférentielle, au moins un module d’éclairage du dispositif d’éclairage est un module pixelisé, par exemple avec une matrice d’éléments électroluminescents tels que des LEDs, avec une matrice de micro-miroirs, de type DMD pour « Digital Micromirror Devices » en anglais, une source monolithique d’éléments électroluminescents sur un même substrat, ou toute autre technologie permettant la réalisation d’un faisceau d’éclairage pixelisé. Une source monolithique implique une pluralité d’éléments semi-conducteurs électroluminescents à dimensions submillimétriques, épitaxiés directement sur un substrat commun, le substrat étant généralement formé de silicium. A l’opposé de matrices de LEDs conventionnelles, dans lesquelles chaque source lumineuse élémentaire est un composant électronique produit de manière individuelle et monté sur un substrat tel qu’un circuit imprimé, PCB, une source monolithique est à considérer comme un composant électronique unique, lors de la production duquel plusieurs plages de jonctions semi-conductrices électroluminescentes sont générées sur un substrat commun, sous forme d’une matrice.
  • Le canal de communication 130 peut ainsi être une liaison filaire tel qu’un bus CAN ou une liaison Ethernet. Dans ce qui suit, l’exemple d’un bus CAN est considéré à titre illustratif. Il présente l’avantage d’être une liaison sécurisée et peu chère. Toutefois, un bus CAN est contraint en débit et impose de transmettre des données sous forme d’entiers codés sur 8 bits.
  • En variante, l’encodeur 110 est intégré dans un module de contrôle du véhicule automobile et le récepteur 120 est intégré dans un serveur distant du véhicule automobile. Dans ce cas, le canal de communication 130 comprend un canal de communication sans fil permettant à l’encodeur d’accéder à un réseau IP dans lequel se trouve le serveur distant comprenant le décodeur 120. Un tel canal de communication sans fil peut être une liaison cellulaire de type 3G, 4G, 5G ou toute génération suivante.
  • Aucune restriction n’est attachée au canal de communication 130, qui peut ainsi être une liaison filaire ou sans fil. Comme il sera mieux compris à la lecture de ce qui suit, la plupart des canaux de communication sont contraints en débit des données qu’ils transmettent.
  • L’encodeur 110 comprend un module de compression de données 111 apte à recevoir des données d’entrée, telles que des données codant une image, par exemple une image photométrique, et à obtenir des données compressées à partir des données d’entrée, et à partir d’un algorithme de compression de données, tel qu’une algorithme à linéarisation, à gradient, JPG, PCA ou autre. En variante, les données compressées correspondent à un vecteur latent d’un réseau de neurones convolutionnel auto-encodeur, comme il sera détaillé ultérieurement en référence à la .
  • Le décodeur 120, ou récepteur 120, comprend un module de décompression 121 correspondant au module de décompression 111, et apte à décompresser les données compressées reçues via le canal de communication 130, afin d’obtenir des données décompressées.
  • Comme indiqué précédemment, lorsque le taux de compression est élevé, par exemple supérieur à 80 %, des défauts peuvent apparaître dans les images correspondant aux données décompressées. L’invention prévoit alors d’ajouter un module 122, logiciel ou physique, de rehaussement des données compressées afin d’obtenir des données rehaussées, présentant moins de défauts que les données décompressées en sortie du module de décompression 121.
  • A cet effet, le module de rehaussement 122 peut comprendre un premier réseau de neurones convolutionnel auto-encodeur 200 décrit en référence à la .
  • Un réseau de neurones convolutionnel auto-encodeur, aussi appelé auto-encodeur dans ce qui suit, comprend plusieurs couches de neurones, dont une couche d’entrée 200.1, une couche de sortie 201.1, au moins une couche convolutionnelle cachée de convolution, côté couche d’entrée 200.1, et au moins une couche convolutionnelle cachée de déconvolution, côté couche de sortie 201.1.
  • Dans l’exemple de la , donné à titre illustratif, le premier auto-encodeur 200 comprend une première couche cachée de convolution 200.2 et une deuxième couche cachée de convolution 200.3. Le premier auto-encodeur 200 comprend, de manière symétrique, une première couche cachée de déconvolution 201.2 et une deuxième couche cachée de déconvolution 201.3.
  • La première couche cachée de convolution 200.2 comprend le même nombre de dimensions que la première couche cachée de déconvolution 201.2. De même, la deuxième couche cachée de convolution 200.3 comprend le même nombre de dimensions que la deuxième couche de déconvolution 201.3.
  • Un auto-encodeur comprend ainsi un ensemble symétrique de couches de neurones.
  • Les couches cachées ayant le nombre de dimensions le plus petit, ou couches centrales, en l’occurrence les couches 200.3 et 201.3, sont aptes à échanger des données appelées « code » ou « vecteur latent » 210. Le vecteur latent est une version compressée des données reçues par la couche d’entrée 200.1.
  • L’auto-encodeur 200 selon l’invention est apte à rehausser des données compressées reçues en entrée, en des données rehaussées présentant moins de défauts et plus proches des images d’entrées reçues et compressées par l’encodeur 110.
  • A cet effet, le premier auto-encodeur 200 est issu d’un apprentissage supervisé sur la base d’un premier jeu de données d’entraînement. Le premier jeu de données d’entraînement comprend des paires d’images, chaque paire d’image comprenant :
    • une image de qualité donnée, notamment de qualité optimale, c’est à dire non compressée. Aucune restriction n’est attachée à la résolution d’une telle image. L’image de qualité donnée ou optimale ne présente pas de défaut ;
    • une image compressée obtenue par compression de l’image de qualité donnée, par un algorithme de compression donné, par exemple parmi les algorithmes de compression précités. Une telle image compressée peut présenter des défauts tels que présentés avant.
  • De manière préférentielle, le jeu de données d’entraînement comprend des paires d’images qui varient :
    • par l’algorithme de compression appliqué pour obtenir l’image compressée ;
    • par le taux de compression appliqué pour obtenir l’image compressée ; et/ou
    • par le type de défaut que comprend l’image compressée, parmi des artefacts, un PSNR inférieur à un seuil donné, par exemple inférieur à 25, un manque d’une partie de l’image, ou par d’autres indicateurs de qualité de compression, tels qu’une erreur maximale ou une erreur moyenne quadratique, ou MSE pour « Mean Square Error » par exemple.
  • Le premier jeu de données d’entraînement comprend plus d’une centaine de paires d’images, de préférence plusieurs milliers ou dizaines de milliers de paires d’images. L’apprentissage supervisé consiste alors à soumettre, pour chaque paire d’images, l’image compressée en entrée du premier auto-encodeur 200. L’image obtenue en sortie de la couche de sortie 201.1 est comparée à l’image de qualité optimale associée à l’image compressée, afin d’en estimer l’écart, par exemple une erreur quadratique entre l’image en sortie du premier auto-encodeur et l’image de qualité optimale. Le premier auto-encodeur 200 est ensuite modifié en fonction de l’écart déterminé, par exemple en changeant les valeurs caractéristiques d’une ou de plusieurs couches de neurones, afin de réduire l’écart calculé.
  • Dans l’exemple considéré ici, dans lequel l’encodeur est intégré dans un PCM ou ECU d’un véhicule automobile, et le décodeur est intégré dans un dispositif d’éclairage, les données du premier jeu de données d’entraînement sont des paires d’images représentatives du faisceau lumineux à réaliser par des dispositifs d’éclairage de véhicule automobile. De telles images sont également appelée photométries.
  • Toutefois, aucune restriction n’est attachée aux données du premier jeu de données d’entraînement qui peuvent être tout type d’image. Par exemple, dans l’exemple dans lequel le décodeur 120 est implémenté dans un serveur distant, les données du jeu de données d’entraînement peuvent être des images acquises par des caméras de véhicule automobile.
  • Après apprentissage sur l’ensemble du premier jeu de données d’entraînement, l’erreur quadratique est minimisée et le premier auto-encodeur 200 est apte à reconstituer des images de qualité optimale à partir d’images comprenant un ou plusieurs défauts, suite à leur compression. L’auto-encodeur 200 peut ainsi être implémenté dans le récepteur 120 décrit précédemment.
  • De manière avantageuse, le premier auto-encodeur 200 peut prévoir une réutilisation, par des couches de neurones de déconvolution, de caractéristiques des couches de neurones de convolution. Une telle réutilisation peut être permise par au moins une connexion saute-couche, ou « skip connection » en anglais, reliant deux couches de neurones convolutionnelles non-consécutives du premier auto-encodeur 200.
  • Par exemple, le premier auto-encodeur 200 comprend au moins une connexion saute-couche 220.1 entre une paire de couches ayant le même nombre de dimensions, ou de caractéristiques, chaque paire comprenant une couche de convolution et une couche de déconvolution. Dans l’exemple de la , les connexions saute-couche 220.1 peuvent ainsi comprendre une connexion entre la couche d’entrée 200.1 et la couche de sortie 201.1, une connexion entre la première couche cachée de convolution 200.2 et la première couche cachée de déconvolution 201.2, et une connexion entre la deuxième couche cachée de convolution 200.3 et la deuxième couche cachée de déconvolution 201.3.
  • En complément ou en variante, le premier auto-encodeur 200 comprend au moins une connexion saute-couche 220.2 entre une paire de couches ayant des nombres différents de dimensions, ou de caractéristiques, chaque paire comprenant une couche de convolution et une couche de déconvolution. Dans l’exemple de la , les connexions saute-couche 220.2 peuvent ainsi comprendre une connexion entre la première couche cachée de convolution 200.2 et la deuxième couche cachée de déconvolution 201.3 et une connexion entre la deuxième couche cachée de convolution 200.3 et la première couche cachée de déconvolution 201.2.
  • De telles connexions saute-couche permettent avantageusement d’effectuer des traitements de données complexes avec des réseaux de neurones profonds.
  • La présente un procédé de traitement de données selon des modes de réalisation de l’invention.
  • Le procédé comprend une phase préalable 300, comprenant une étape 301 d’obtention du premier jeu de données d’entraînement, comprenant des paires d’images telles que décrites précédemment. Aucune restriction n’est attachée à la manière dont le jeu de données d’entraînement est obtenu. Les images de qualité optimales peuvent être issues de situations réelles ou de simulations par exemple.
  • A une étape 302 de la phase préalable 300, le premier réseau de neurones convolutionnel auto-encodeur 200 est entraîné par apprentissage supervisé sur la base des paires d’images du premier jeu de données d’entraînement obtenu à l’étape 301 précédente. Le premier auto-encodeur 200 ainsi obtenu est apte à rehausser la qualité de données compressées.
  • A une étape 303 de la phase préalable 300, le premier réseau de neurones convolutionnel auto-encodeur 200 est stocké dans un récepteur, tel que le récepteur 120 décrit précédemment. Comme précédemment expliqué, le récepteur 120 peut être intégré dans un dispositif d’éclairage pour véhicule automobile ou dans un serveur distant d’un véhicule automobile.
  • Le procédé de traitement comprend en outre une phase courante 310 comprenant une étape de réception 311 par le récepteur 120 de données compressées, via le canal de communication 130 décrit précédemment. Les données reçues ont notamment été compressées au préalable par l’encodeur 110 décrit précédemment, aucune restriction n’étant attachée à la technique de compression des données.
  • A une étape 312, le module de décompression 121 décompresse les données compressées reçues lors de l’étape 311 précédente, tel que décrit précédemment.
  • A une étape 313, les données décompressées sont traitées par le premier auto-encodeur 200 afin d’être rehaussées. Des données rehaussées sont ainsi obtenues à l’issue de l’étape 313. Au vu de l’apprentissage machine dont est issu le premier auto-encodeur 120, les données rehaussées permettent l’obtention d’une image de qualité optimale, proche de l’image initialement compressée par l’encodeur 110.
  • Les données rehaussées peuvent être transmises par le récepteur 120 à une étape 314. Par exemple, le récepteur 120 peut transmettre les données rehaussées à une mémoire pour stockage. De manière avantageuse dans le mode de réalisation dans lequel l’encodeur 110 est intégré dans un PCM et le récepteur 120 est intégré dans un dispositif de signalisation, les données rehaussées peuvent être transmises à un module de commande de sources lumineuses pour réalisation de la photométrie correspondant aux données de sortie.
  • La présente un module de compression 111 et un module de décompression 121 de données selon un mode de réalisation de l’invention.
  • Comme précédemment évoqué, le module de compression 111 et le module de décompression 121 peuvent être apte à mettre en œuvre un algorithme de compression/décompression tel que des algorithmes de linéarisation, par gradient, JPG, PCA ou autres.
  • Selon une variante illustrée sur la , la compression/décompression est mise en œuvre au moyen d’un deuxième réseau de neurones convolutionnel auto-encodeur, ou deuxième auto-encodeur ci-après, les modules de compression et décompression 111 et 121 comprenant chacun une partie du deuxième auto-encodeur. Le module de compression 111 comprend ainsi une première partie 400 du deuxième auto-encodeur tandis que le module de décompression 121 comprend une deuxième partie 410 du deuxième auto-encodeur.
  • Le deuxième auto-encodeur est apte à compresser des données d’entrée, notamment des images de qualité optimale, telles que des images de photométrie pour dispositif d’éclairage. Le deuxième auto-encodeur peut être construit par apprentissage non-supervisé sur un deuxième jeu de données d’entraînement, différent du premier jeu de données d’entraînement.
  • Le deuxième auto-encodeur comprend une couche d’entrée 401 implémentée dans l’encodeur 110 et une couche de sortie 411 implémentée dans le récepteur 120, la couche d’entrée et la couche de sortie ayant le même nombre de nœuds ou neurones, donc le même nombre de dimensions.
  • Le système auto-encodeur comprend en outre une ou plusieurs couches convolutionnelles cachées, chaque couche convolutionnelle cachée ayant un nombre de dimensions inférieur au nombre de dimensions de la couche d’entrée 401 et de la couche de sortie 411.
  • Les couches convolutionnelles cachées ayant le nombre de dimensions le plus petit, ou couches centrales, sont aptes à échanger un « code » ou « vecteur latent » et ce vecteur latent est ainsi une version compressée des données d’entrée.
  • Les couches centrales peuvent ainsi être mutualisées entre l’encodeur 112 et le décodeur 123 de manière à échanger des données compressées, permettant ainsi de réduire les besoins en débit et la quantité de données échangées entre l’encodeur et le décodeur, tout en minimisant les pertes. La première partie 400 comprend ainsi une couche centrale d’encodage 402 et la deuxième partie 410 comprend une couche centrale de décodage 412. La couche centrale d’encodage 402 et la couche centrale de décodage 412 sont aptes à échanger un code ou vecteur latent comprenant un nombre de dimensions inférieur aux données d’entrée.
  • Le deuxième auto-encodeur est entraîné par apprentissage non-supervisé de manière à minimiser l’erreur quadratique entre les données d’entrée et les données de sortie issues de la couche de sortie, étant donné un nombre de dimensions des couches centrales, donc à niveau de compression donné.
  • A cet effet, le deuxième jeu de données d’entraînement peut être soumis au deuxième auto-encodeur. Le jeu de données d’entraînement peut comprendre un ensemble d’images, tels que des photométries d’éclairage pour véhicule dans l’exemple considéré ici. Pour chaque image du deuxième jeu de données d’entraînement, l’auto-encodeur évalue l’erreur quadratique entre l’image soumise à la couche d’entrée 401 et l’image fournie par la couche de sortie 411, et fait varier les caractéristiques de ses neurones ainsi que le nombre de neurones, voire le nombre de couches cachées, en fonction de cette erreur quadratique, tout en conservant une contrainte pour obtenir un vecteur latent ayant un nombre de dimensions donné. Le but est ainsi de minimiser l’erreur quadratique par apprentissage.
  • Le vecteur latent est une version compressée des données d’entrée, avec un taux de compression CR selon la formule suivante :
    • CR= (Nbits*Im_Size – NbitsLV*LVdim) / Nbits*Im_Size ;
    dans laquelle Nbits est le nombre de bits sur lequel est codé chaque pixel de l’image d’entrée, Im_Size est la taille de l’image en nombre de pixels, NbitsLV est le nombre de bits codant chaque dimension du vecteur latent, qui est fixe et généralement égal à 32bits, et LVdim est le nombre de dimensions du vecteur latent.
  • De manière plus générale, Nbits*Im_Size représente la taille en nombre de bits des données d’entrée.
  • Pour une taille d’image donnée, le taux de compression CR peut ainsi varier en faisant varier le nombre de dimensions LVdim du vecteur latent.
  • Les taux de compression suivants peuvent notamment être obtenus :
    • CR = 92 % pour LVdim = 516 ;
    • CR = 84 % pour LVdim = 1024 ;
    • CR = 52 % pour LVdim = 3072.
  • Ainsi, plus le nombre de dimensions du vecteur latent est faible, plus le taux de compression CR est élevé. La sélection d’un taux de compression peut dépendre d’indicateurs de qualité comparant les données de sortie avec les données d’entrée. De tels indicateurs peuvent comprendre un rapport signal à bruit de crête, ou PSNR pour « Peak Signal to Noise Ratio » en anglais, ou une erreur moyenne quadratique, ou MSE pour « Mean Square Error » par exemple.
  • Par exemple, un nombre de dimensions du vecteur latent assurant un PSNR supérieur à un seuil donné, tel que 30 par exemple, pourra être fixé.
  • La première partie 400 et la deuxième partie 410 du réseau de neurones convolutionnel auto-encodeur sont ainsi obtenues, et peuvent être implémentées respectivement dans l’encodeur 110 et le décodeur 120, lors de la phase préalable 300 décrite précédemment.
  • Toutefois, lorsque le canal de communication 130 est limité en débit, comme c’est notamment le cas avec un bus CAN, généralement utilisé entre un PCM et un dispositif d’éclairage, des taux de compression élevé, voire un reformatage des données, est nécessaire afin de permettre le transport du vecteur latent sur le canal de communication 130. Il en résulte que les données décompressées issues de la couche de sortie 411 peuvent présenter des défauts, ce qui rend avantageux l’utilisation du module de rehaussement 122 décrit précédemment.
  • La valeur de PSNR des données rehaussées peut notamment être supérieure de plusieurs points, notamment de 5 points, par rapport aux données décompressées issues de la couche de sortie 411 du deuxième auto-encodeur. Les autres indicateurs tels que l’erreur maximale et l’erreur moyenne quadratique sont également améliorés.
  • Dans le cas où la compression/décompression n’est pas réalisée par le deuxième auto-encodeur, mais par l’un des algorithmes de compression/décompression précédemment discutés, le gain en PSNR permis par le module de rehaussement 122 peut même atteindre 10 points. Les autres indicateurs tels que l’erreur maximale et l’erreur moyenne quadratique sont également améliorés.
  • La illustre la structure d’un décodeur ou récepteur 120 selon des modes de réalisation de l’invention.
  • Le décodeur 120 comprend un processeur 501 configuré pour communiquer de manière unidirectionnelle ou bidirectionnelle, via un ou des bus ou via une connexion filaire, avec une mémoire 502 telle qu’une mémoire de type « Random Access Memory », RAM, ou une mémoire de type « Read Only Memory », ROM, ou tout autre type de mémoire (Flash, EEPROM, etc). En variante, la mémoire 502 comprend plusieurs mémoires des types précités. De manière préférentielle, la mémoire 502 est une mémoire non volatile.
  • La mémoire 502 stocke, de manière permanente ou temporaire, l’ensemble des données générées suite à la mise en œuvre des étapes 311 à 314 du procédé de traitement de données décrit ci-dessus. La mémoire 502 stocke en outre le premier réseau de neurones convolutionnel auto-encodeur 200 lors de l’étape 303 décrite précédemment.
  • En outre, la mémoire 502 stocke un algorithme de décompression ou la deuxième partie 410 du deuxième réseau de neurones convolutionnel décrit en référence à la .
  • Le processeur 501 est apte à exécuter des instructions, stockées dans la mémoire 502, pour la mise en œuvre des étapes 312 et 313 du procédé illustré en référence à la . De manière alternative, le processeur 501 peut être remplacé par un microcontrôleur conçu et configuré pour réaliser les étapes 312 et 313 du procédé selon la .
  • Le module de décompression 121 ainsi que le module de rehaussement 122 présentés précédemment peuvent ainsi être réalisés par le processeur 501 ou le microcontrôleur. Encore en variante, un processeur ou un micro-contrôleur dédié à la fonction de décompression et un autre processeur ou micro-contrôleur est dédié à la fonction de rehaussement.
  • Le récepteur 120 peut comprendre une interface d’entrée 503 apte recevoir des données compressées, lors de l’étape 311 décrite précédemment. Aucune restriction n’est attachée à la première interface d’entrée 503, qui est reliée fonctionnellement au canal de communication 130 décrit précédemment.
  • Le décodeur 120 peut comprendre en outre une deuxième interface, de sortie, 504 apte à transmettre les données de sortie, lors de l’étape 314 décrite précédemment.
  • La présente invention ne se limite pas aux formes de réalisation décrites ci-avant à titre d’exemples ; elle s’étend à d’autres variantes.

Claims (10)

  1. Procédé de traitement de données comprenant les opérations suivantes :
    • lors d’une phase préalable (300), apprentissage supervisé (302) d’un premier réseau de neurones convolutionnel auto-encodeur sur la base d’un premier jeu de données d’entraînement, le premier jeu de données d’entraînement comprenant des paires d’images comprenant une image de qualité donnée et une image compressée obtenue par compression de l’image de qualité donnée, dans lequel l’apprentissage supervisé est apte à minimiser un écart entre une image rehaussée obtenue par traitement par le premier réseau de neurones convolutionnel auto-encodeur, d’une image compressée, et l’image de qualité donnée associée par paire à l’image compressée ;
    • stockage (303) dudit premier réseau de neurones convolutionnel auto-encodeur dans un récepteur (120) ;
    le procédé comprenant en outre, lors d’une phase courante (310) mise en œuvre par ledit récepteur :
    • réception (311) de données compressées depuis un canal de communication (130) ;
    • décompression (312) desdites données compressées en des données décompressées ;
    • application (313) du premier réseau de neurones convolutionnel auto-encodeur aux données compressées pour obtenir des données rehaussées ;
    • transmission (314) desdites données rehaussées.
  2. Procédé traitement de données selon la revendication 1, dans lequel la décompression desdites données compressées est basée sur un algorithme de décompression par linéarisation, par gradient, JPG ou PCA.
  3. Procédé de traitement de données selon la revendication 1, dans lequel la décompression desdites données compressées est mise en œuvre par un traitement par des couches de neurones comprenant une couche de sortie (411) et au moins une couche convolutionnelle cachée (412) d’un deuxième réseau de neurones convolutionnel de type auto-encodeur, ladite couche de sortie comprenant un premier nombre de dimensions et ladite au moins une couche convolutionnelle cachée comprenant un deuxième nombre de dimensions, le deuxième nombre de dimensions étant inférieur au premier nombre de dimensions.
  4. Procédé selon la revendication 3, comprenant en outre, lors de la phase préalable (300), un apprentissage non-supervisé du deuxième réseau de neurones convolutionnel auto-encodeur sur un deuxième jeu de données d’entraînement.
  5. Procédé selon l’une des revendications précédentes, dans lequel les données compressées et les données rehaussées sont représentatives d’une photométrie de dispositif d’éclairage.
  6. Procédé selon la revendication 5, dans lequel les données rehaussées sont transmises à un module de commande d’un dispositif d’éclairage pour véhicule automobile.
  7. Procédé selon la revendication 5 ou 6, dans lequel les données compressées sont reçues depuis un encodeur (110) d’un module de contrôle centralisé de véhicule automobile et dans lequel le canal de communication (130) est un bus CAN.
  8. Récepteur (120) comprenant :
    • une mémoire (502) stockant un premier réseau de neurones convolutionnel auto-encodeur apte à obtenir des données rehaussées à partir de données compressées ;
    • une première interface (503) apte à recevoir des données compressées sur un canal de communication (130) ;
    • un processeur (501) configuré pour décompresser les données en des données décompressées, et pour appliquer le premier réseau de neurones convolutionnel auto-encodeur aux données compressées pour obtenir des données rehaussées ;
    • une deuxième interface (504) apte à transmettre les données rehaussées.
  9. Système comprenant un récepteur (120) selon la revendication 8, un encodeur (110) apte à recevoir des données d’entrée, à compresser les données d’entrées en des données compressées et à transmettre les données compressées au récepteur via un canal de communication (130).
  10. Système selon la revendication 9, dans lequel l’encodeur (110) est intégré dans un module de contrôle central d’un véhicule automobile, dans lequel le récepteur (120) est intégré dans un dispositif d’éclairage du véhicule automobile, dans lequel le canal de communication (130) est un bus CAN et dans lequel les données d’entrée sont représentatives d’une photométrie d’éclairage.
EP23789665.9A 2022-10-15 2023-10-13 Récepteur pour décompression de données avec rehaussement par auto-encodeur Pending EP4602516A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2210640A FR3140977B1 (fr) 2022-10-15 2022-10-15 Récepteur pour décompression de données avec rehaussement par auto-encodeur
PCT/EP2023/078545 WO2024079339A1 (fr) 2022-10-15 2023-10-13 Récepteur pour décompression de données avec rehaussement par auto-encodeur

Publications (1)

Publication Number Publication Date
EP4602516A1 true EP4602516A1 (fr) 2025-08-20

Family

ID=87554559

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23789665.9A Pending EP4602516A1 (fr) 2022-10-15 2023-10-13 Récepteur pour décompression de données avec rehaussement par auto-encodeur

Country Status (6)

Country Link
US (1) US20260119839A1 (fr)
EP (1) EP4602516A1 (fr)
JP (1) JP2025533289A (fr)
CN (1) CN120077386A (fr)
FR (1) FR3140977B1 (fr)
WO (1) WO2024079339A1 (fr)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3115747B1 (fr) * 2020-10-30 2023-10-06 Valeo Vision Procédé de gestion des données d'image et dispositif d'éclairage automobile

Also Published As

Publication number Publication date
WO2024079339A1 (fr) 2024-04-18
FR3140977B1 (fr) 2025-10-24
JP2025533289A (ja) 2025-10-03
US20260119839A1 (en) 2026-04-30
CN120077386A (zh) 2025-05-30
FR3140977A1 (fr) 2024-04-19

Similar Documents

Publication Publication Date Title
EP0247075B1 (fr) Procede de codage hybride par transformation pour la transmission de signaux d'image
FR2754127A1 (fr) Procede de codage/decodage de signal video sur la base d'une quantification de treillis adaptative
FR2954036A1 (fr) Procede et systeme pour la determination de parametres de codage sur des flux a resolution variable
FR3111033A1 (fr) Procédé et dispositif de quantification de données représentatives d’un signal radio reçu par une antenne radio d’un réseau mobile
FR3062011A1 (fr) Procede et dispositif d'encodage dynamique controle d'un signal numerique multidimensionnel, en particulier un signal d'image et procede et dispositif correspondant de decodage
WO2024079339A1 (fr) Récepteur pour décompression de données avec rehaussement par auto-encodeur
EP4602517A1 (fr) Auto-encodeur pour véhicule automobile avec quantification
WO2024240496A1 (fr) Procédé et dispositif de codage et décodage d'images
EP1603341A1 (fr) Procede et dispositif pour les systemes d'interpolation d'images par estimation et compensation de mouvement.
EP4295575A1 (fr) Determination d'un mode de codage d'image
EP0348321B1 (fr) Procédé de régulation de débit de données d'assistance à la reconstruction d'images électroniques animées sous-échantillonnées
EP1596607B1 (fr) Procédé et dispositif de génération de vecteurs candidats pour les systèmes d'interpolation d'images par estimation et compensation de mouvement
FR3111036A1 (fr) Procédé et dispositif de quantification de données représentatives d’un signal radio reçu par une antenne radio d’un réseau mobile
FR3148696A1 (fr) Procédé et dispositif de compression avec pertes et relative à des zones d’intérêts d’images numériques utilisant des paramètres déterminés à partir d’un réseau de neurones.
FR3121528A1 (fr) Procédé et dispositif de détection d’une intrusion sur un bus de données d’un véhicule
WO2024240497A1 (fr) Procédé et dispositif de codage et décodage d'images.
FR3105905A1 (fr) Procédés de transmission et de réception de flux, dispositifs et programme d'ordinateur associés
EP0456804A1 (fr) Procede de compression d'images par auto-organisation d'un reseau neuronal
FR2878396A1 (fr) Procede de codage d'images codees par ondelettes a controle du debit, dispositif de codage et programme d'ordinateur corespondants
FR3121527A1 (fr) Procédé et dispositif de détection d’une intrusion sur un bus de données d’un véhicule
FR3145661A1 (fr) Procédé et dispositif de détermination d’un type de bus de données utilisé pour la transmission de signaux entre périphériques dans un véhicule
EP3203737A1 (fr) Procédé et dispositif d'encodage d'un signal numérique multidimensionnel, en particulier un signal d'image, et procédé et dispositif correspondants de décodage
WO2025261758A1 (fr) Procédés de codage et de décodage, dispositifs et programme d'ordinateur correspondants
FR3143246A1 (fr) Procédé et dispositif de codage et décodage d’images.
FR3143247A1 (fr) Procédé et dispositif de codage et décodage de séquences d’images.

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20250411

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)