Les laboratoires européens progressent sur plusieurs fronts en vision par ordinateur

Un système de vision embarqué dans une voiture teste actuellement ses capacités de reconnaissance sur les routes de campagne allemandes. Il identifie les panneaux, les piétons et les animaux, mais aussi des situations ambiguës comme un chantier temporaire ou un véhicule en panne. Cette expérimentation illustre le virage pris par la recherche européenne : passer de la détection d'objets à la compréhension de scènes complexes.

Des modèles plus sobres pour une utilisation en conditions réelles

Une partie des travaux récents porte sur la réduction de la consommation énergétique des algorithmes. Les réseaux de neurones profonds, très performants en laboratoire, exigent souvent une puissance de calcul incompatible avec des équipements embarqués ou des capteurs autonomes. Des équipes françaises et néerlandaises développent des architectures dites « légères », capables de fonctionner sur des processeurs modestes tout en conservant un taux de reconnaissance élevé.

Ces modèles compressés trouvent des applications dans l'agriculture de précision. Des drones équipés de ces systèmes survolent des parcelles pour détecter les maladies des cultures ou estimer les rendements. La contrainte énergétique a conduit les chercheurs à privilégier des méthodes de distillation de connaissances, où un petit modèle apprend à imiter un grand modèle préalablement entraîné. Les résultats obtenus montrent une perte de performance limitée, de l'ordre de quelques points de pourcentage, pour un gain significatif en vitesse d'exécution.

L'apprentissage auto-supervisé pour réduire la dépendance aux données annotées

La constitution de jeux de données annotés manuellement représente un coût important et un frein à l'innovation. Pour contourner cet obstacle, plusieurs instituts de recherche européens se concentrent sur l'apprentissage auto-supervisé. Cette approche consiste à entraîner un modèle sur des données non étiquetées, en lui faisant prédire des parties manquantes d'une image ou en lui demandant de distinguer deux versions transformées d'une même scène.

Un consortium germano-suisse a récemment présenté une méthode qui améliore la robustesse des modèles face aux changements de conditions météorologiques. Le système apprend à ignorer les variations de luminosité ou de contraste pour se concentrer sur les éléments sémantiques stables. Les tests menés sur des images de nuit et de brouillard dense montrent une meilleure généralisation que les modèles entraînés de manière conventionnelle. Cette piste intéresse directement le secteur de la sécurité routière, où les capteurs doivent fonctionner dans toutes les situations.

La vision 3D et la reconstruction de scènes dynamiques

La reconstruction tridimensionnelle en temps réel constitue un autre domaine actif. Des laboratoires italiens et scandinaves travaillent sur des algorithmes capables de modéliser des environnements en mouvement, comme une foule ou une route avec des véhicules. Les méthodes classiques de stéréovision peinent à gérer les objets non rigides ; les nouvelles approches intègrent des modèles de déformation appris pendant le traitement.

Ces travaux trouvent un débouché dans la robotique de service, où les machines doivent interagir avec des humains dans des espaces partagés. Un robot de livraison doit par exemple anticiper la trajectoire d'un piéton qui s'apprête à traverser. La reconstruction 3D dynamique permet de mieux prédire ces mouvements, mais elle reste limitée par la puissance de calcul disponible et par la qualité des capteurs de profondeur. Les chercheurs reconnaissent que les scènes très denses, comme une gare à l'heure de pointe, posent encore des difficultés importantes.

Parallèlement, des équipes britanniques explorent l'utilisation de caméras événementielles, qui ne capturent que les changements de luminosité au lieu d'images complètes. Ces capteurs, très rapides, offrent une latence réduite et une meilleure performance en conditions de fort contraste. Leur traitement nécessite cependant des algorithmes spécifiques, encore peu matures. Les premières démonstrations concernent la navigation de drones dans des environnements sombres ou enfumés, où les caméras classiques échouent.

L'ensemble de ces recherches s'inscrit dans des programmes collaboratifs financés au niveau européen, mais aussi par des initiatives nationales. La coordination entre laboratoires publics et industriels reste inégale selon les pays. Les avancées techniques sont réelles, mais leur passage à l'échelle commerciale dépend encore de la résolution de problèmes d'intégration matérielle et de validation réglementaire. La vision par ordinateur européenne avance sur des fronts multiples, sans qu'un acteur unique ne domine l'ensemble du champ.