Alors que la conception optique doit se réinventer avec la démocratisation de systèmes optiques utilisés pour la vision machine, elle reste basée sur la résolution de problème non-linéaire via l'optimisation de fonction de coût. Grâce à l'avancée des recherches en apprentissage automatique, des travaux se penchent sur l'utilisation des pratiques basées sur les données pour complémenter les travaux du concepteur optique. D'une part, l'apparition de méthodes basées sur les données permet d'identifier les caractéristiques cruciales à la qualité d'un design et de réutiliser ces données dans d'autres travaux sans avoir à recommencer de zéro. D'autre part, l'exploration de l'optimisation conjointe de réseaux de neurones profonds et du design optique a permis de raffiner les critères de qualité d'image pour la vision machine. Cette thèse étudie l'applicabilité de ces méthodes pour des systèmes grand angle. Récemment démocratisés en devenant moins encombrants, ils présentent un intérêt certain en vision par ordinateur grâce à leur capacité à imager un environnement complet en une seule image. Leur conception reste cependant un défi de taille à ce jour et la distorsion en résultant, en plus de pouvoir constituer une gêne visuelle, constitue un véritable défi en apprentissage automatique. La modification des proportions sur l'image induite par celle-ci vient, de manière inhérente, altérer les performances des algorithmes de vision machine, en particulier les réseaux de neurones convolutifs. Ces recherches explorent notamment l'impact et l'optimisation de la distorsion pour améliorer les performances des réseaux de neurones pour l'estimation de profondeur à une seule image. Elles impliquent également des travaux complémentaires sur la prédiction de critères de qualité d'image comme le *RMS spot size* à partir du profil de distorsion ou encore la contribution des autres aberrations présentes dans ce type de design sur la précision des modèles de simulation. Ces recherches ont pour objectif de construire des méthodes d'optimisation partielle de système optique grand angle pour venir compléter l'expertise du concepteur. Elles visent également à en définir des cadres d'application et d'identifier leurs limites d'utilisation. / As optical design needs to be rethought with the democratization of optical systems dedicated to machine vision, it still consists in solving non-linear problems optimizing cost functions. The advances in machine learning have led to different researches focusing on using data observations to complement the work of optical designers. On the one hand, data-driven methods allow identifying optical characteristics on a design that are crucial for its performance and re-use this information in new projects instead of starting from scratch. On the other hand, the joint optimization of the optical design and a neural network is useful to fine-tune the image quality criteria for machine vision. This thesis study the applicability of these methods for ultra-wide-angle optical designs. Recently normalized by being less and less bulky, they are of interest in the vision community due to their capability to image an entire scene within a single image. Designing them, however, still constitutes a challenge and the resulting distortion, in addition to constituting a visual discomfort, is a deep-rooted limitation in machine learning. The induced modification of object proportions along the image inherently decreases the performance of deep learning algorithm, specifically those of convolutional neural networks. These researches explore in particular the impact of optimizing the distortion profile of a system to improve the performance of a neural network for monocular depth estimation. They also integrate complementary studies on the prediction of image quality indicators such as the *RMS spot size* from the distortion itself, or on the relative contribution of other optical aberrations on the accuracy of wide-angle system simulation. The objective of these works is to build methods for partially optimizing complex compound optics to complement the designer's expertise. They also aim at defining a framework for using such methods and identifying their limitations.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/147568 |
| Date | 05 August 2024 |
| Creators | Buquet, Julie |
| Contributors | Thibault, Simon, Lalonde, Jean-François |
| Source Sets | Université Laval |
| Language | French |
| Detected Language | French |
| Type | COAR1_1::Texte::Thèse::Thèse de doctorat |
| Format | 1 ressource en ligne (xiii, 110 pages), application/pdf |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.0015 seconds