FR3136296A1 - Procédé et dispositif de codage d’un modèle tridimensionnel d’un véhicule - Google Patents
Procédé et dispositif de codage d’un modèle tridimensionnel d’un véhicule Download PDFInfo
- Publication number
- FR3136296A1 FR3136296A1 FR2205358A FR2205358A FR3136296A1 FR 3136296 A1 FR3136296 A1 FR 3136296A1 FR 2205358 A FR2205358 A FR 2205358A FR 2205358 A FR2205358 A FR 2205358A FR 3136296 A1 FR3136296 A1 FR 3136296A1
- Authority
- FR
- France
- Prior art keywords
- dimensional model
- encoder
- autoencoder
- decoder
- input
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 6
- 239000010410 layer Substances 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 239000002356 single layer Substances 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims 1
- 238000012986 modification Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR 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
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Processing Or Creating Images (AREA)
Abstract
L’invention concerne un procédé de codage/décodage d’un modèle tridimensionnel d’un véhicule représentant au moins un aspect technique et/ou esthétique de ce véhicule. L’invention utilise un auto-encodeur (100) pour mettre en œuvre ce procédé de codage/décodage qui permet d’obtenir une représentation compacte et fidèle d’un modèle tridimensionnel d’un véhicule. Figure pour l’abrégé : Figure 1
Description
L’invention concerne un procédé et dispositif de codage d’un modèle tridimensionnel d’un véhicule représentant au moins un aspect technique et/ou esthétique de ce véhicule.
Dans le domaine automobile, la conception assistée par ordinateur est largement utilisée pour concevoir des modèles de véhicule qui soient nouveaux, notamment par leur aspect esthétique. La conception assistée par ordinateur ou CAO (en anglais, Computer Aided Design ou CAD) comprend l'ensemble des logiciels et des techniques de modélisation géométrique permettant de concevoir, de tester virtuellement – à l'aide d'un ordinateur et des techniques de simulation numérique – et de réaliser des produits manufacturés et les outils pour les fabriquer.
On peut citer, par exemple, le logiciel CATIA®(Conception Assistée Tridimensionnelle Interactive Appliquée, en anglais Computer-Aided Three dimensional Interactive Application). CATIA®comprend différents ateliers (logiciels) qui couvrent un très grand nombre de domaines, allant de la conception mécanique, à la conception de systèmes électriques, au design ou à la FAO (Fabrication Assistée par Ordinateur).
CATIA®permet d’obtenir un modèle tridimensionnel d’un véhicule représentant différents aspects de ce véhicule, qu’ils soient techniques ou esthétiques.
Le stockage, la manipulation ou encore la transmission de ce type de modèle tridimensionnel pose des problèmes de ressources en mémoire et/ou de capacité de calcul et/ou de bande passante.
L’un des problèmes résolus par la présente invention est d’obtenir une représentation compacte et fidèle de ce type de modèle tridimensionnel de véhicule.
Un objet de la présente invention est de fournir une représentation d’un modèle tridimensionnel de véhicule.
Un autre objet de la présente invention est d’améliorer le stockage, la manipulation et la transmission d’un modèle tridimensionnel de véhicule.
Selon un premier aspect, la présente invention concerne un procédé de codage d’un modèle tridimensionnelle d’un véhicule représentant au moins un aspect technique et/ou esthétique de ce véhicule. Une particularité de ce procédé est sa mise en œuvre par un réseau de neurones appelé un auto-encodeur. L’auto-encodeur comprend un premier module, appelé encodeur, et un second module, appelé décodeur, l’encodeur et le décodeur comportant chacun une couche d’un même nombre de neurones, une entrée de l’auto-encodeur correspondant à une entrée de l’encodeur, une sortie de l’encodeur correspondant à une entrée d’une couche de neurones, dite couche latente, interne à l’auto-encodeur, une sortie de la couche latente correspondant à une entrée du décodeur et une sortie du décodeur correspondant à une sortie de l’auto-encodeur.
Le procédé comporte une étape apprentissage de l’auto-encodeur à partir d’un premier ensemble de modèles tridimensionnels de véhicule. Cette étape d’apprentissage permet d’optimiser les paramètres de l’auto-encodeur pour minimiser une erreur entre un modèle tridimensionnel d’un véhicule présent en entrée de l’encodeur et un modèle tridimensionnel reconstruit à partir d’un code issu de la couche latente de l’auto-encodeur.
Le procédé comporte aussi une étape de test de l’auto-encodeur à partir d’un deuxième ensemble de modèles tridimensionnels. Cette étape de test permet de contrôler si l’auto-encodeur, entraîné à la sortie de l’étape d’apprentissage, permet d’obtenir des taux de compression satisfaisants et que les codes issus de la couche latente permettent d’obtenir des modèles tridimensionnels reconstruits à partir de ces codes qui sont proches des modèles tridimensionnels présents à l’entrée de l’encodeur.
Une fois les étapes d’apprentissage et de test réalisées, l’auto-encodeur est prêt pour être utilisé. Le procédé comporte alors une étape obtention d’un modèle tridimensionnel de véhicule à coder et une étape de calcul d’un code issu de la couche latente pour ledit modèle tridimensionnel présent à l’entrée de l’encodeur.
La présente invention réduit la quantité d’informations nécessaire pour représenter un modèle tridimensionnel présent à l’entrée de l’auto-encodeur tout en permettant une reconstruction fidèle de ce modèle tridimensionnel de véhicule à partir du code produit par l’encodeur.
Le code produit à partir d’un modèle tridimensionnel de véhicule peut alors être stocké, manipulé ou transmis plus facilement. Il peut aussi être utilisé pour optimiser la génération de nouveaux modèles tridimensionnels de véhicule.
Selon une variante, l’encodeur et le décodeur comporte chacun plusieurs couches.
Selon une variante, l’encodeur et le décodeur comporte chacun une seule couche.
Selon une variante, les modèles tridimensionnels du premier et deuxième ensembles sont tirés aléatoirement à partir d’un troisième ensemble de modèles tridimensionnels de véhicule.
Selon une variante, la valeur de qualité de codage et/ou l’erreur entre le modèle présent en entrée de l’auto-encodeur et le modèle tridimensionnel reconstruit est une erreur quadratique.
Selon une variante, l’encodeur et le décodeur mettent en œuvre des fonctions pondérées par des coefficients de pondération, et les paramètres de l’auto-encodeur sont lesdits coefficients de pondération.
Selon un deuxième aspect, la présente invention concerne un procédé de décodage d’un modèle tridimensionnel d’un véhicule représentant au moins un aspect technique et/ou esthétique de ce véhicule. Le procédé est caractérise en ce qu’il est mis en œuvre par un auto-encodeur comprenant un premier module, appelé encodeur, et un second module, appelé décodeur, l’encodeur et le décodeur comportant chacun une couche d’un même nombre de neurones, une entrée de l’auto-encodeur correspondant à une entrée de l’encodeur, une sortie de l’encodeur correspondant à une entrée d’une couche de neurones, dite couche latente, interne à l’auto-encodeur, une sortie de la couche latente correspondant à une entrée du décodeur et une sortie du décodeur correspondant à une sortie de l’auto-encodeur.
Le procédé comporte une étape d’obtention d’un code issu de la couche latente et une étape d’obtention du modèle tridimensionnel du véhicule à décoder à partir de la sortie du décodeur lorsque ledit code est présent à l’entrée dudit décodeur.
Selon un troisième aspect, la présente invention concerne un dispositif de codage ou décodage d’un modèle tridimensionnel d’un véhicule représentant au moins un aspect technique et/ou esthétique de ce véhicule comprenant des moyens pour mettre en œuvre des étapes du procédé selon le premier ou le deuxième aspect de la présente invention.
Selon un quatrième aspect, la présente invention concerne un produit programme d’ordinateur comportant des instructions adaptées pour l’exécution des étapes des procédés selon le premier ou le deuxième aspect lorsque le programme d’ordinateur est exécuté par au moins un processeur.
Un tel programme d’ordinateur peut utiliser n’importe quel langage de programmation, et être sous la forme d’un code source, d’un code objet, ou d’un code intermédiaire entre un code source et un code objet, tel que dans une forme partiellement compilée, ou dans n’importe quelle autre forme souhaitable.
Selon un cinquième aspect, la présente invention concerne un support d’enregistrement lisible par un ordinateur sur lequel est enregistré un programme d’ordinateur comprenant des instructions pour l’exécution des étapes du procédé selon le premier aspect de l’invention.
D’une part, le support d’enregistrement peut être n'importe quel entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une mémoire ROM, un CD-ROM ou une mémoire ROM de type circuit microélectronique, ou encore un moyen d'enregistrement magnétique ou un disque dur.
D'autre part, ce support d’enregistrement peut également être un support transmissible tel qu'un signal électrique ou optique, un tel signal pouvant être acheminé via un câble électrique ou optique, par radio classique ou hertzienne ou par faisceau laser autodirigé ou par d'autres moyens. Le programme d’ordinateur selon l'invention peut être en particulier téléchargé sur un réseau de type Internet.
Alternativement, le support d'enregistrement peut être un circuit intégré dans lequel le programme d’ordinateur est incorporé, le circuit intégré étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question.
D’autres caractéristiques et avantages de l’invention ressortiront de la description des modes de réalisation non limitatifs de l’invention ci-après, en référence aux figures 1 à 5 annexées, sur lesquelles :
Des procédés et dispositifs vont maintenant être décrits dans ce qui va suivre en référence conjointement aux figures 1 à 5.
La présente invention est une solution permettant de réduire la représentation d’un modèle tridimensionnel de véhicule. La présente invention est mise en œuvre par un auto-encodeur qui permet, une fois entrainé et testé, d’obtenir une telle représentation sous la forme d’un code que l’on appelle parfois code « ADN » du véhicule par analogie à la génétique. Ce code est particulier car il permet de reconstruire le modèle tridimensionnel fidèle à un modèle tridimensionnel original.
De manière générale, un auto-encodeur, ou auto-associateur est un réseau de neurones artificiels utilisé pour l'apprentissage non supervisé de caractéristiques discriminantes. L'objectif d'un auto-encodeur est d'apprendre une représentation (encodage) d'un ensemble de données, généralement dans le but de réduire la dimension de cet ensemble. La forme la plus simple d'un auto-encodeur est un réseau de neurones non récurrents qui se propage vers l'avant, très semblable au perceptron multicouches.
Un auto-encodeur comporte un premier module appelé encodeur et un second module appelé décodeur. L’association de ce codeur et de ce décodeur conduit à des erreurs de reconstruction faibles comparées à l’utilisation d’un seul module. Ces faibles erreurs se traduisent par une représentation fidèle de modèle tridimensionnel par un code issu de la couche latente.
Un auto-encodeur ne requiert que peu de paramètres relativement à d’autres réseaux de neurones, ce qui facilite son implémentation.
L’association de l’encodeur et du décodeur permet également une certaine flexibilité comparée à l’utilisation d’un seul module. Cette flexibilité facilite, par exemple le choix de données d’apprentissage de l’auto-encodeur car aucune hypothèse sur ces données n’a besoin d’être introduite lors de l’apprentissage de l’auto-encodeur : l’encodeur s’adapte aux données entrantes d’apprentissage sans devoir considérer des hypothèses sur ces données d’apprentissage.
L'auto-encodeur 100 comprend un premier module, appelé encodeur, et un second module, appelé décodeur.
L’encodeur comporte une couche d’entrée et le décodeur comporte une couche de sortie . La couche de sortie possède le même nombre de neurones (nœuds) que la couche d’entrée , autrement dit et ont le même nombre de dimensions.
L’auto-encodeur peut aussi comporter une ou plusieurs couches encodeur cachées reliant l’encodeur et le décodeur.
Une entrée de l’auto-encodeur correspond à une entrée de l’encodeur. Une sortie de l’encodeur correspond à une entrée d’une couche de neurones cachée la plus interne à l’auto-encodeur, dite couche latente. Une sortie de la couche latente correspond à une entrée du décodeur et une sortie du décodeur correspondant à une sortie de l’auto-encodeur.
Un code est issu de la couche latente. Le code est aussi généralement appelé variable latente ou représentation latente. Le code représente l’entrée mais dans un espace avec moins de dimensions (moins d’informations pour représenter que ).
L’auto-encodeur a pour but de calculer un code à partir d’une entrée et de reconstruire une sortie , fidèle à l’entrée , à partir du code En d’autres termes, l’auto-encodeur prédit une sortie ma plus proche d’une entrée . Par conséquent, un auto-encodeur est un modèle d’apprentissage non supervisé.
Selon une variante, l’encodeur et le décodeur peuvent être mis en œuvre par des fonctions (transitions), et , telles que :
où est l’espace de dimension où sont et , et où est l’espace auquel appartient le code de dimension . Les fonctions et sont ainsi définies pour minimiser une erreur entre l’entrée et la sortie .
L’espace caractéristique possède une dimension inférieure à celui de l'espace d'entrée . Ainsi le vecteur caractéristique peut être considéré comme une représentation compressée de .
Selon une variante, lorsqu’il n'y a qu'une seule couche cachée, telle que illustré sur la , l'étape d'encodage prend l'entrée et l'associe au code obtenu à partir de fonction paramétrée par des valeurs de poids :
où est une fonction d’activation, par exemple la sigmoïde ou la fonction ReLU, W une matrice de valeur de poids et b un vecteur de biais.
L’étape de décodage associe le code à la sortie de forme identique à
où du décodeur peuvent différer ou non des de l'encodeur, selon la conception de l'auto-encodeur.
L’auto-encodeur 100 est entraîné, lors de la phase d’apprentissage, à partir d’un premier ensemble E1 de modèles tridimensionnels M1 de véhicule. Une fois entraîné, l’auto-encodeur est testé lors d’une étape de test, à partir d’un deuxième ensemble E2 de modèles tridimensionnels M2 de véhicule.
Selon une variante, les modèles tridimensionnels du premier et deuxième ensembles sont tirés aléatoirement à partir d’un troisième ensemble de modèles tridimensionnels de véhicule.
Le procédé 200 comporte une étape d’apprentissage 210 de l’auto-encodeur 100 à partir du premier ensemble E1.
L’étape 210 comporte les sous-étapes 211 à 214.
Au cours de la sous-étape 211, un code issu de la couche latente est calculé par l’encodeur de l’auto-encodeur 100 pour un modèle tridimensionnel M1 présent à l’entrée de l’encodeur (équation 1).
Au cours de la sous-étape 212, un modèle tridimensionnel reconstruit est calculé à la sortie du décodeur de l’auto-encodeur 100 à partir du code calculé (équation 2).
Au cours de la sous-étapes 213, une erreur E1 est calculée entre le modèle tridimensionnel M1 et le modèle tridimensionnel reconstruit.
Au cours de la sous-étape 214, au moins un paramètre de l’auto-encodeur est modifié pour minimiser l’erreur E1 calculée.
Le procédé 200 comporte également une étape de test 220 de l’auto-encodeur 100 à partir du deuxième ensemble E2.
L’étape 220 comporte les sous-étapes 221 à 225.
Au cours de la sous-étape 221, un code issu de la couche latente est calculé par l’encodeur de l’auto-encodeur 100 pour un modèle tridimensionnel M2 présent à l’entrée de l’encodeur (équation 1).
Au cours de la sous-étape 222, un taux de compression T est calculé entre le code calculé et le modèle tridimensionnel M2.
Selon une variante, le taux de compression T est le rapport de la quantité d’informations (nombre de bits) nécessaire pour représenter le code en mémoire sur la quantité d’informations (nombre de bits) nécessaire pour représenter le modèle tridimensionnel M2.
Au cours de la sous-étape 223, un modèle tridimensionnel reconstruit est calculé à la sortie du décodeur de l’auto-encodeur 100 à partir du code calculé (équation 2).
Au cours de la sous-étape 224, une valeur de qualité de codage est calculée. Cette valeur de qualité de codage est représentative d’une erreur E2 entre le modèle tridimensionnel reconstruit et le modèle tridimensionnel M2.
Au cours de la sous-étape 225, au moins un paramètre de l’auto-encodeur 100 est modifié pour minimiser une fonction de coût de codage qui dépend de la valeur de qualité de codage et du taux de compression.
Selon une variante, la fonction de coût est une somme pondérée de la valeur de qualité de codage et du taux de compression.
Le procédé 200 comporte également une étape 230 d’obtention d’un modèle tridimensionnel de véhicule M3 à coder à l’entrée de l’encodeur de l’auto-encodeur 100.
Le procédé comporte aussi une étape 240 de calcul d’un code (équation 1) issu de la couche latente pour le modèle tridimensionnel M3.
Selon une variante, la modification d’un paramètre de l’auto-encodeur consiste à rétro-propager l'erreur E1 ou E2 vers l'arrière et effectuer une mise à jour des poids W et W’ (équations 1 et 2).
Un auto-encodeur est bien souvent entrainé en utilisant l'une des nombreuses variantes de la rétropropagation, e.g., méthode du gradient conjugué, algorithme du gradient. Bien que cela fonctionne de manière raisonnablement efficace, il existe des problèmes fondamentaux concernant l'utilisation de la rétropropagation avec des réseaux de neurones possédant de nombreuses couches cachées. Une fois les erreurs rétro-propagées aux premières couches, elles deviennent minuscules et insignifiantes. Cela signifie que le réseau de neurones apprendra presque toujours à reconstituer la moyenne des données d'entrainement. Bien que les variantes de la rétropropagation soient capables, dans une certaine mesure, de résoudre ce problème, elles résultent toujours en un apprentissage lent et peu efficace. Ce problème peut toutefois être résolu en utilisant des poids initiaux proches de la solution finale. Le processus de recherche de ces poids initiaux est souvent appelé pré-entrainement.
Selon une variante, l’erreur E1 ou E2 est une erreur quadratique .
où est généralement la moyenne d'un ensemble de données d'apprentissage.
Le procédé 300 est mis en œuvre par l’auto-encodeur 100 une fois entraîné et testé comme expliqué précédemment en relation avec la .
Le procédé 300 comprend une étape 310 d’obtention d’un code issu de la couche latente et une étape 320 d’obtention du modèle tridimensionnel M4 à partir de la sortie du décodeur lorsque le code est présent à l’entrée du décodeur.
Le dispositif 400 est par exemple configuré pour la mise en œuvre d’au moins une des étapes du procédé décrit en regard de la ou 4. Des exemples d’un tel dispositif 400 comprend, sans y être limité, un équipement électronique tel qu’un ordinateur. Les éléments du dispositif 400, individuellement ou en combinaison, peuvent être intégrés dans un unique circuit intégré, dans plusieurs circuits intégrés, et/ou dans des composants discrets. Le dispositif 400 peut être réalisé sous la forme de circuits électroniques ou de modules logiciels (ou informatiques) ou encore d’une combinaison de circuits électroniques et de modules logiciels. Selon différents modes de réalisation particuliers, le dispositif 400 est couplé en communication avec d’autres dispositifs ou systèmes similaires, par exemple par l’intermédiaire d’un bus de communication ou au travers de ports d’entrée / sortie dédiés.
Le dispositif 400 comprend un (ou plusieurs) processeur(s) 401 configurés pour exécuter des instructions pour la réalisation des étapes du procédé et/ou pour l’exécution des instructions du ou des logiciels embarqués dans le dispositif 400. Le processeur 410 peut inclure de la mémoire intégrée, une interface d’entrée/sortie, et différents circuits connus de l’homme du métier. Le dispositif 400 comprend en outre au moins une mémoire 402 correspondant par exemple à une mémoire volatile et/ou non volatile et/ou comprend un dispositif de stockage mémoire qui peut comprendre de la mémoire volatile et/ou non volatile, telle que EEPROM, ROM, PROM, RAM, DRAM, SRAM, flash, disque magnétique ou optique.
Le code informatique du ou des logiciels embarqués comprenant les instructions à charger et exécuter par le processeur est par exemple stocké sur la mémoire 402.
Selon un mode de réalisation particulier et non limitatif, le dispositif 400 comprend un bloc 403 d’éléments d’interface pour communiquer avec des dispositifs externes ou encore un serveur distant ou un équipement. Les éléments d’interface du bloc 303 comprennent une ou plusieurs des interfaces suivantes :
- interface radiofréquence RF, par exemple de type Bluetooth® ou Wi-Fi®, LTE (de l’anglais « Long-Term Evolution » ou en français « Evolution à long terme »), LTE-Advanced (ou en français LTE-avancé) ;
- interface USB (de l’anglais « Universal Serial Bus » ou « Bus Universel en Série » en français) ;
- interface HDMI (de l’anglais « High Definition Multimedia Interface », ou « Interface Multimedia Haute Definition » en français) ;
- interface LIN (de l’anglais « Local Interconnect Network », ou en français « Réseau interconnecté local »).
Selon une variante, le dispositif 400 comprend une interface de communication 404 qui permet d’établir une communication avec d’autres dispositifs via un canal de communication 405. L’interface de communication 404 correspond par exemple à un transmetteur configuré pour transmettre et recevoir des informations et/ou des données via le canal de communication 405 tels que des évènements extérieurs pris en considération par le dispositif 400 pour la mise en œuvre du procédé de la ou 4. L’interface de communication 404 correspond par exemple à un réseau filaire de type CAN (de l’anglais « Controller Area Network » ou en français « Réseau de contrôleurs »), CAN FD (de l’anglais « Controller Area Network Flexible Data-Rate » ou en français « Réseau de contrôleurs à débit de données flexible »), FlexRay (selon la norme ISO 17458) ou Ethernet (selon la norme ISO/IEC 802.3).
Selon un mode de réalisation particulier supplémentaire, le dispositif 400 peut fournir des signaux de sortie à un ou plusieurs dispositifs externes, tels qu’un écran d’affichage, un ou des haut-parleurs et/ou d’autres périphériques via respectivement des interfaces de sortie non représentées.
Bien entendu, la présente invention ne se limite pas aux modes de réalisation et autres exemples ou variantes décrits ci-avant mais s’étend à tous modes et/ou variante de réalisation qui aurait la même portée.
Claims (10)
- Procédé de codage d’un modèle tridimensionnel d’un véhicule représentant au moins un aspect technique et/ou esthétique de ce véhicule, caractérisé en ce que ledit procédé est mis en œuvre par un auto-encodeur comprenant un premier module, appelé encodeur, et un second module, appelé décodeur, l’encodeur et le décodeur comportant chacun une couche d’un même nombre de neurones, une entrée de l’auto-encodeur correspondant à une entrée de l’encodeur, une sortie de l’encodeur correspondant à une entrée d’une couche de neurones, dite couche latente, interne à l’auto-encodeur, une sortie de la couche latente correspondant à une entrée du décodeur et une sortie du décodeur correspondant à une sortie de l’auto-encodeur, et en ce que le procédé comporte les étapes suivantes :
- apprentissage (210) de l’auto-encodeur à partir d’un premier ensemble de modèles tridimensionnels de véhicule, l’apprentissage comprenant les sous-étapes suivantes pour chaque modèle tridimensionnel courant du premier ensemble présent à l’entrée de l’encodeur :
- calcul (211) d’un code issu de la couche latente pour le modèle tridimensionnel courant, la quantité d’informations représentant ledit code étant inférieure à celle représentant le modèle tridimensionnel courant;
- calcul (212) d’un modèle tridimensionnel reconstruit à la sortie du décodeur à partir dudit code calculé;
- calcul (213) d’une erreur entre le modèle tridimensionnel courant et le modèle tridimensionnel reconstruit; et
- modification (214) d’au moins un paramètre de l’auto-encodeur pour minimiser l’erreur calculée;
- test (220) de l’auto-encodeur à partir d’un deuxième ensemble de modèles tridimensionnels, le test comprenant pour chaque modèle tridimensionnel courant du deuxième ensemble présent à l’entrée de l’encodeur:
- calcul (221) d’un code issu de la couche latente pour le modèle tridimensionnel courant, la quantité d’informations représentant ledit code étant inférieure à celle représentant le modèle tridimensionnel courant;
- calcul (222) d’un taux de compression entre le code calculé et le modèle tridimensionnel courant ;
- calcul (223) d’un modèle tridimensionnel reconstruit à la sortie du décodeur à partir dudit code calculé;
- calcul (224) d’une valeur de qualité de codage représentative d’une erreur entre ledit modèle tridimensionnel reconstruit et le modèle tridimensionnel courant ; et
- modification (225) d’au moins un paramètre de l’auto-encodeur pour minimiser une fonction de coût de codage qui dépend de la valeur de qualité de codage et du taux de compression;
- obtention (230) d’un modèle tridimensionnel de véhicule à coder à l’entrée de l’encodeur ; et
- calcul (240) d’un code issu de la couche latente pour ledit modèle tridimensionnel présent à l’entrée de l’encodeur.
- apprentissage (210) de l’auto-encodeur à partir d’un premier ensemble de modèles tridimensionnels de véhicule, l’apprentissage comprenant les sous-étapes suivantes pour chaque modèle tridimensionnel courant du premier ensemble présent à l’entrée de l’encodeur :
- Procédé selon la revendication 1, dans lequel l’encodeur et le décodeur sont reliées par plusieurs couches.
- Procédé selon la revendication 1, dans lequel l’encodeur et le décodeur sont reliés par une seule couche.
- Procédé selon l’une des revendications 1 à 3, dans lequel les modèles tridimensionnels du premier et deuxième ensembles sont tirés aléatoirement à partir d’un troisième ensemble de modèles tridimensionnels de véhicule.
- Procédé selon l’une des revendications 1 à 4, dans lequel la valeur de qualité de codage et/ou l’erreur entre le modèle présent en entrée de l’auto-encodeur et le modèle tridimensionnel reconstruit est une erreur quadratique.
- Procédé selon l’une des revendications 1 à 5, dans lequel l’encodeur et le décodeur mettent en œuvre des fonctions paramétrées par des valeurs de poids, et les paramètres de l’auto-encodeur sont lesdites valeurs de poids.
- Procédé de décodage d’un modèle tridimensionnel d’un véhicule représentant au moins un aspect technique et/ou esthétique de ce véhicule, caractérisé en ce que ledit procédé est mis en œuvre par un auto-encodeur comprenant un premier module, appelé encodeur, et un second module, appelé décodeur, l’encodeur et le décodeur comportant chacun une couche d’un même nombre de neurones, une entrée de l’auto-encodeur correspondant à une entrée de l’encodeur, une sortie de l’encodeur correspondant à une entrée d’une couche de neurones, dite couche latente, interne à l’auto-encodeur, une sortie de la couche latente correspondant à une entrée du décodeur et une sortie du décodeur correspondant à une sortie de l’auto-encodeur, et en ce que le procédé comporte les étapes suivantes :
- obtention (310) d’un code issu de la couche latente ; et
- obtention (320) du modèle tridimensionnel du véhicule à décoder à partir de la sortie du décodeur lorsque ledit code est présent à l’entrée dudit décodeur. - Dispositif (400) de codage ou décodage d’un modèle tridimensionnel d’un véhicule représentant au moins un aspect technique et/ou esthétique de ce véhicule comprenant des moyens pour mettre en œuvre des étapes du procédé selon l’une des revendications 1 à 7.
- Produit programme d’ordinateur comportant des instructions adaptées pour l’exécution des étapes du procédé selon l’une des revendications 1 à 7, lorsque le programme d’ordinateur est exécuté par au moins un processeur.
- Support d’enregistrement lisible par un ordinateur sur lequel est enregistré un programme d’ordinateur comprenant des instructions pour l’exécution des étapes du procédé selon l’une des revendications 1 à 7.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2205358A FR3136296A1 (fr) | 2022-06-03 | 2022-06-03 | Procédé et dispositif de codage d’un modèle tridimensionnel d’un véhicule |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2205358 | 2022-06-03 | ||
| FR2205358A FR3136296A1 (fr) | 2022-06-03 | 2022-06-03 | Procédé et dispositif de codage d’un modèle tridimensionnel d’un véhicule |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3136296A1 true FR3136296A1 (fr) | 2023-12-08 |
Family
ID=83188731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2205358A Pending FR3136296A1 (fr) | 2022-06-03 | 2022-06-03 | Procédé et dispositif de codage d’un modèle tridimensionnel d’un véhicule |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3136296A1 (fr) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3674984A1 (fr) * | 2018-12-29 | 2020-07-01 | Dassault Systèmes | Ensemble de réseaux neuronaux |
| US20220103839A1 (en) * | 2020-09-25 | 2022-03-31 | Qualcomm Incorporated | Instance-adaptive image and video compression using machine learning systems |
-
2022
- 2022-06-03 FR FR2205358A patent/FR3136296A1/fr active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3674984A1 (fr) * | 2018-12-29 | 2020-07-01 | Dassault Systèmes | Ensemble de réseaux neuronaux |
| US20220103839A1 (en) * | 2020-09-25 | 2022-03-31 | Qualcomm Incorporated | Instance-adaptive image and video compression using machine learning systems |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1946612A1 (fr) | Individualisation de hrtfs utilisant une modelisation par elements finis couplee a un modele correctif | |
| CN110853110A (zh) | 一种基于生成对抗网络的图片自动调色方法 | |
| CN111242173B (zh) | 一种基于孪生网络的rgbd显著物体检测方法 | |
| CN112862669B (zh) | 图像生成模型的训练方法、生成方法、装置及设备 | |
| CN114373104A (zh) | 一种基于动态聚合的三维点云语义分割方法及系统 | |
| EP4315170A1 (fr) | Autoencodeur multimodal a fusion de donnees latente amelioree | |
| EP3888048B1 (fr) | Dispositif et procédé de super-résolution | |
| CN112950739A (zh) | 纹理生成方法、装置、设备及存储介质 | |
| CN114930824A (zh) | 深度调色板预测 | |
| FR3136296A1 (fr) | Procédé et dispositif de codage d’un modèle tridimensionnel d’un véhicule | |
| CN116664731A (zh) | 人脸动画生成方法及装置、计算机可读存储介质、终端 | |
| CN114331922B (zh) | 多尺度自校准气动光学效应湍流退化图像复原方法及系统 | |
| EP4202770A1 (fr) | Reseau de neurones avec generation a la volee des parametres du reseau | |
| CN117648964A (zh) | 模型压缩方法、装置以及相关设备 | |
| FR3136297A1 (fr) | Procédé et dispositif de calcul d’un modèle tridimensionnel d’une silhouette d’un véhicule. | |
| FR3083662A1 (fr) | Compression et decompression robustes d'images numeriques | |
| EP0396171A1 (fr) | Procédé pour l'analyse de textures et analyseur | |
| WO2024079339A1 (fr) | Récepteur pour décompression de données avec rehaussement par auto-encodeur | |
| FR3112122A1 (fr) | Procédé d’évaluation de l’état relatif d’un moteur d’aéronef | |
| WO2024121107A1 (fr) | Procédé et dispositif de codage et décodage d'images. | |
| EP4202784A1 (fr) | Procédé de mise au point d'un dispositif de prédiction, procédé et système associés | |
| WO2024121108A1 (fr) | Procédé et dispositif de codage et décodage d'images. | |
| FR3143245A1 (fr) | Procédé et dispositif de codage et décodage d’images. | |
| FR3134912A1 (fr) | Procédé et dispositif de détermination de valeurs numériques représentatives de critères d’évaluation de données d’entrée | |
| CN116934615A (zh) | 图像修复方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20231208 |
|
| CD | Change of name or company name |
Owner name: STELLANTIS AUTO SAS, FR Effective date: 20240313 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |