PIXANO simplifie l’annotation d’images pour la vision par ordinateur

Parmi les fonctionnalités principales de l’outil :

• la pré-annotation automatique des images ;
• l’annotation assistée et interactive, pour permettre à l’utilisateur d’intervenir et de corriger en ligne des étiquettes ;
• la propagation temporelle automatique des labels, pour l’annotation des séquences vidéos ;
• l’apprentissage actif et incrémental, par l’ajout successif de nouvelles données sélectionnées par un algorithme.

PIXANO comprend également des outils d’analyse de données très puissants permettant de chercher et sélectionner très rapidement dans une base d’images annotées les données les plus pertinentes pour un besoin particulier.

L’efficacité de PIXANO a été validée par des acteurs majeurs de l’industrie, notamment automobile, dans le cadre de partenariats avec le CEA-List et dans des projets collaboratifs comme le projet européen H2020 CloudLSVA.

Par sa modularité et sa capacité à intégrer de nouveaux composants personnalisables et intelligents, PIXANO ouvre de larges perspectives de création de solutions adaptées aux besoins des concepteurs d’IA.

Ses principales forces :

• sa large gamme de formats d’étiquette (boîte englobante, polygone, cuboïde, points d’intérêt, masque pixellique, etc.) ;
• ses fonctions de data mining, pour constituer des bases annotées d’apprentissage et d’évaluation à partir d’ensemble d’images plus large ; cela, grâce à des critères d’exploration évolués (reposant sur des informations sémantiques ou sur une caractérisation de la pertinence du contenu visuel par rapport à une tâche de vision donnée, par exemple) ;
• son ouverture et son évolutivité : la solution est constituée d’un ensemble de composants open source ouverts, réutilisables, personnalisables, extensibles.

• Génération de bases de données labellisées pour le développement de solutions de perception (industrie, sécurité, robotique, transports…)
• Développement d’outils d’annotation semi-automatiques, pour étiqueter des images visuelles 2D/3D
• Développement de nouveaux outils de gestion de la donnée (exploration de méthodes de data mining, caractérisation de datasets, génération d’images de synthèse…)

UCP-Net: Unstructured Contour Points for Instance Segmentation, C. Dupont, Y. Ouakrim, Q. C. Pham, IEEE International Conference on Systems, Man, and Cybernetics (SMC), 202.

Classifying All Interacting Pairs in a Single Shot, S. Chafik, A. Orcesi, R. Audigier and B. Luvison. IEEE Winter Conference on Applications of Computer Vision (WACV), 2020.

PandaNet: Anchor-Based Single-Shot Multi-Person 3D Pose Estimation, A. Benzine, F. Chabot, B. Luvison, Q. C. Pham, C. Achard, IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2020.

Deep MANTA: A Coarse-to-Fine Many-Task Network for Joint 2D and 3D Vehicle Analysis from Monocular Image, F. Chabot, M. Chaouch, J. Rabarisoa, C. Teulière and T. Chateau. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2017.

Improving Multi-frame Data Association with Sparse Representations for Robust Near-online Multi-object Tracking, L. Fagot-Bouquet, R. Audigier, R. Dhome, F. Lerasle. European Conference on Computer Vision (ECCV), 2016.

Fast and accurate video annotation using dense motion hypotheses, L. Fagot-Bouquet, J. Rabarisoa, Q.C. Pham. IEEE International Conference on Image Processing (ICIP), 2014.

Pour en savoir plus, consulter le site dédié à PIXANO

Accéder à la page PIXANO sur Github.