Concepteur et formateur du parcours
Dr. Florent Poux
Docteur en géomatique et chercheur en intelligence spatiale 3D. Il conçoit et enseigne l'intégralité du parcours.
- 2020ISPRS Jack Dangermond Award
- O'Reillyauteur de 3D Data Science with Python
- 50+publications scientifiques
- 2 500+apprenants formés
Qui est le Dr. Florent Poux ?
Docteur en géomatique, chercheur et enseignant en intelligence spatiale 3D. Lauréat du ISPRS Jack Dangermond Award 2020, auteur de 3D Data Science with Python chez O'Reilly, plus de cinquante publications scientifiques. Il conçoit et enseigne l'intégralité du parcours Architecte IA de Systèmes 3D.
Sur quoi porte son travail ?
Sur le passage du nuage de points brut à la connaissance exploitable : segmentation sémantique, apprentissage profond appliqué à la 3D, graphes de scène et raisonnement spatial. C'est-à-dire exactement la chaîne que la formation fait construire, dans l'ordre où la recherche l'a établie.
- Traitement et segmentation de nuages de points LiDAR
- Apprentissage profond sur données 3D non structurées
- Graphes de scène sémantiques et raisonnement spatial
- Jumeaux numériques et automatisation du Scan-to-BIM
Pourquoi apprendre avec un chercheur plutôt qu'avec un praticien ?
La question se retourne : l'intérêt n'est pas la recherche pour elle-même, c'est le transfert. Les méthodes enseignées ici sortent de travaux publiés et relus, pas de recettes glanées. Et chaque projet rendu est relu ligne à ligne par quelqu'un qui écrit ce code au quotidien.
Où retrouver ses travaux ?
Ses publications sont accessibles librement, et son livre paru chez O'Reilly sert de socle écrit à une partie du programme.
Le Smart Point Cloud
Le concept issu de sa thèse, et la colonne vertébrale de tout ce qui est enseigné ici.
Un nuage de points brut ne sait rien de lui-même. Il porte des coordonnées, parfois une couleur, et c'est tout. Chaque question métier, où est ce mur, combien de fenêtres, quelle surface, demande alors de redessiner à la main ce que le scanner a déjà mesuré.
Le Smart Point Cloud renverse cela : le nuage porte en plus ses segments, ses attributs et les relations entre ses objets. On cesse de dessiner le levé, on l'interroge. C'est cette structure qui rend possible le plan 2D automatique, la maquette IFC et l'agent qui répond à une question sur la scène.
C'est le sujet de sa thèse de doctorat, primée par l'EuroSDR en 2019, et de la quinzaine d'articles qui l'ont suivie. Les quatre séances de la cohorte construisent cette structure, étape par étape, sur vos données.
Les sources
Rien de ce qui est enseigné ici n'est invérifiable. Voici les travaux d'origine, en accès libre ou avec leur DOI.
-
Poux, F. (2019). The Smart Point Cloud: Structuring 3D Intelligent Point Data. Thèse de doctorat, Université de Liège.
Le concept d'origine. Prix EuroSDR de la meilleure thèse en géoinformation, 2019. Texte intégral en accès libre
-
Poux, F., & Billen, R. (2019). A Smart Point Cloud Infrastructure for intelligent environments. Dans B. Riveiro & R. Lindenbergh (dir.), Laser Scanning (chapitre 9). CRC Press.
L'infrastructure sémantique, formalisée. doi.org/10.1201/9781351018869-9
-
Poux, F., & Billen, R. (2019). Voxel-based 3D point cloud semantic segmentation: unsupervised geometric and relationship featuring vs deep learning methods. ISPRS International Journal of Geo-Information, 8(5), 213.
Ce qui est enseigné en séance 2 : quand une méthode géométrique suffit, et quand l'apprentissage profond se justifie. doi.org/10.3390/ijgi8050213
-
Poux, F., Mattes, C., Selman, Z., & Kobbelt, L. (2022). Automatic region-growing system for the segmentation of large point clouds. Automation in Construction, 138, 104250.
La segmentation qui tient sur de très gros levés, celle utilisée dans NEURONES 3D. doi.org/10.1016/j.autcon.2022.104250
-
Poux, F., Billen, R., Kasprzyk, J.-P., Lefebvre, P.-H., & Hallot, P. (2020). A Built Heritage Information System Based on Point Cloud Data: HIS-PC. ISPRS International Journal of Geo-Information, 9(10), 588.
Du nuage structuré au système d'information métier : le chemin que suit la séance 4. doi.org/10.3390/ijgi9100588
-
Nys, G., Poux, F., & Billen, R. (2020). CityJSON Building Generation from Airborne LiDAR 3D Point Clouds. ISPRS International Journal of Geo-Information, 9(9), 521.
La sortie vers le SIG, sur données aériennes. doi.org/10.3390/ijgi9090521
Liste complète : profil Google Scholar, et 3D Data Science with Python chez O'Reilly pour la version écrite du parcours.
Pour aller plus loin
Les pages du site qui traitent la suite, les articles qui montrent le code, et les travaux publiés d'où viennent les méthodes.
Sur le site
- Le programmece que ce parcours de recherche a produit comme formation
- Débouchésles métiers visés et l'état du marché
- Le blogvingt articles techniques du même auteur
À lire
- PointNet, l'architecture fondatriceun article technique de sa main
- Segmenter sans jeu d'entraînementsur les modèles de fondation appliqués à la 3D
- Physical AI et Spatial AIsa lecture du domaine
Les sources
- Google Scholarles publications et leur nombre de citations
- 3D Data Science with Python, O'Reillyl'ouvrage publié chez O'Reilly
- ISPRSla société savante qui a décerné le prix Jack Dangermond 2020
Le guide gratuit, pour aller plus loin
« Architecte IA de Systèmes 3D » : la chaîne entière, du nuage de points brut au système qui raisonne, dans l'ordre où il faut l'apprendre. Un email, et il part.