Projet de recherche français financé par l'Agence Nationale de la Recherche (ANR) pour une durée de trois ans (janvier 2008 à décembre 2010).

Le consortium d'excellence formé pour ce projet est composé de trois partenaires académiques français : LIRIS, USTL/LIFL et INRIA Rhône-Alpes. Chaque partenaire possède une expérience forte et internationalement reconnue dans le domaine de l'analyse, de la segmentation et de l'exploitation des modèles 3D.

Les développements technologiques récents concernant l'imagerie tridimensionnelle (scanners 3D, cartes graphiques accélérées, Web 3D etc.) rendent possibles la création et le stockage de modèles tridimensionnels à grande échelle. L'utilisation des modèles tridimensionnels se retrouve dans de nombreuses applications telles que le patrimoine culturel, les simulations médicales, l'industrie mécanique, les jeux vidéos, et, de manière générale, tout ce qui touche au multimédia. Ces mêmes domaines exploitent ou produisent également, depuis peu, des modèles tridimensionnels variant au cours du temps. Ces modèles sont souvent appelés maillages 3D dynamiques.

Avec cette croissance exponentielle du nombre de modèles tridimensionnels statiques et dynamiques, apparaît également le besoin de traiter ces données. L'indexation, la compression et le tatouage sont trois exemples de tels traitements.

Les modèles tridimensionnels sont le plus souvent représentés sous la forme de maillages de polygones (généralement des triangles). Ce type de représentation a pour avantage d'être parfaitement adapté à l'affichage grâce aux cartes accélérées 3D. Mais leur principal inconvénient est le manque de structure de la représentation qui pourrait être très utile aux applications citées précédemment. Par conséquent, une étape préliminaire à de nombreux traitements est l'analyse et la compréhension du maillage, et plus particulièrement la segmentation. La segmentation consiste à subdiviser le maillage en différentes parties de caractéristiques identiques, soit d'un point de vue strictement géométrique, soit d'un point de vue perceptif / sémantique.

Pour apporter une solution à ce problème, de nombreux systèmes ont été et sont encore actuellement développés pour la segmentation d'images ou de vidéos. Cependant, les solutions proposées dans le cas d'informations purement bidimensionnelles ne sont pas réellement efficaces ou difficilement adaptables à des données intrinsèquement tridimensionnelles. De plus, force est de constater qu'à la différence de ce qui existe en segmentation d'images 2D, il n'existe ni protocole, ni jeu de données standard pour la comparaison et l'évaluation des méthodes de segmentations de maillages 3D.

Dans ce contexte, les objectifs du projet MADRAS sont les trois suivants :

1. Créer une collection de maillages 3D et 3D+t – c'est-à-dire de maillages 3D statiques et dynamiques – accompagnée d'une vérité-terrain. Cette vérité-terrain sera composée d'une ou plusieurs segmentations pour chaque modèle 3D. Ces segmentations viendront de segmentations "faites-mains" mais aussi de méthodes automatiques ou semi-automatiques.
2. Exploiter le facteur humain, au travers de tests subjectifs, pour améliorer la conception et l'évaluation des algorithmes de segmentation. Les aspects subjectifs et perceptifs seront utilisés pour mettre en place des outils de référence qui permettront un processus automatique de comparaison des méthodes de segmentation existantes ou futures.
3. Mettre en œuvre de nouveaux algorithmes de segmentation aussi bien pour les maillages statiques (3D) que dynamiques (3D+t) exploitant le facteur humain, par des techniques d'apprentissage.

Grâce à ce triple objectif, le projet MADRAS ambitionne de venir en aide aux communautés scientifiques impliquées dans la segmentation de modèles 3D. Un tel benchmark accompagné de ses outils permettra aux chercheurs d'évaluer et de comparer les méthodes existantes et à venir. Et au delà ce cela, l'introduction du facteur humain, avec les aspects subjectifs et perceptifs, constitue une première tentative dans le domaine de la 3D.

French research project sponsored by ANR for a period of three years (from January 2008 to December 2010).

The Excellence consortium of this project is composed of three French academic partners: LIRIS, USTL/LIFL et INRIA Rhône-Alpes. Each of the partners has a strong and internationally recognized experience in the 3D-model analysis, segmentations and exploitation field.

With the recent technological developments concerning three-dimensional images (3D scanners, 3D graphic accelerated hardware, Web3D, and so on), the creation and storage of three-dimensional models has become a reality. The usage range of the three-dimensional models is wide: cultural heritage, medical and surgical simulation, CAD design, video games, multimedia applications, etc. For a few years, sequences of 3D meshes varying through time, which are often called dynamic meshes, have also become more and more popular in these application domains.

Consequently to the growing usage of the static and dynamic three-dimensional mesh models, the scientific communities are very interested in the processing of the 3D-model data for various computer graphic applications such as modeling, indexing, watermarking or compressing 3D-models.

The three-dimensional models are generally represented as meshes of polygons (generally triangles). This kind of representation has the advantage of being perfectly adapted to 3D display with the help of modern 3D accelerated hardware. But the main drawback of this format is the lack of a structure or a hierarchical description that could be very useful for the applications cited above. Hence, the automatic segmentation of 3D-mesh models is very often a necessary pre-processing tool for these applications. Mesh segmentation consists in subdividing a polygonal surface into patches of uniform properties either from a strictly geometrical point of view or from a perceptual / semantic point of view.

To bring a solution to this problem, many systems were and are still currently developed for the segmentation of bidimensional data (images or videos). However these solutions are not really effective or not easily adaptable to intrinsically three-dimensional data. Moreover, one could easily notice that, contrary to the 2D-data domain, there is neither protocol, nor standard data collection for the comparison and the evaluation of the 3D segmentation methods.

In this context, the objectives of the MADRAS project are the three following:

1. Building a collection of 3D and 3D+t mesh models – that is to say static and dynamic 3D-models – with a ground-truth. The ground-truth will be composed of one or more segmentations for each of the 3D-model. These segmentations will come from hand-made segmentations and also from automatic or semi-automatic methods.
2. Exploiting the human factor in order to improve the conception and the evaluation of segmentation algorithms, through subjective experiments. The subjective and perceptual aspects will be used to build a reference toolkit that will allow an entire automatic comparison process of existing and future segmentation methods
3. Designing new segmentation algorithms for static and dynamic 3D-mesh models, using the human factor, with machine learning techniques.

With this triple goal, the MADRAS project aims at helping the scientific communities involved in 3D-model segmentation. Such a benchmarking tool will allow the researchers to evaluate and compare existing and new segmentation methods. Moreover, the introduction of the human factor in segmentation methods, with subjective and perceptual aspects, is the first attempt in the 3D domain.