Technologies Immersives & Médicales

La réalité augmentée bouleverse de nombreux secteurs industriels en offrant une nouvelle perception de l’environnement.

Labo bcom - technologies immersives
© Fred Pieau
Les applications en santé en sont une des illustrations prometteuses.

Par son expertise en vision par ordinateur, estimation de pose et visualisation 3D, le laboratoire Technologies Immersives & Médicales conçoit composants et plateformes pour augmenter les expériences des professionnels et renforcer leur efficacité, notamment grâce à la réalité augmentée et la réalité virtuelle, dans des domaines tels que l’industrie et la santé. L’utilisateur est au cœur de sa réflexion et de ses travaux, depuis la définition des besoins jusqu’à la confrontation à l’usage des technologies développées. Dans le domaine de la santé, le laboratoire travaille, avec ses partenaires médicaux, sur des technologies clefs telles que le traitement des images et des vidéos médicales, la connectivité ou l’interopérabilité.

produits et services
Dicom Family - teaser produit - bcom famille DICOM

Interopérabilité, anonymisation et standardisation

Annotate - teaser produit - bcom b<>com Annotate

Pour l'annotation de vidéos et signaux chirurgicaux

publications scientifiques

08.06.2023

MES-loss: Mutually Equidistant Separation Metric Learning Loss Function

Deep metric learning has attracted much attention in recent years due to its extensive applications, such as clustering and image retrieval. Thanks to the success of deep learning (DL), many deep metric learning (DML) methods have been proposed. Neural networks (NNs) utilize DML loss functions to learn a mapping function that maps samples into a highly discriminative low-dimensional feature space…

lire la publication

21.02.2022

Multi-stage RGB-based Transfer Learning Pipeline for Hand Activity Recognition

First-person hand activity recognition is a challenging task, especially when not enough data are available. In this paper, we tackle this challenge by proposing a new low-cost multi-stage learning pipeline for firstperson RGB-based hand activity recognition on a limited amount of data. For a given RGB image activity sequence, in the first stage, the regions of interest are extracted using a pre…

lire la publication

22.02.2021

L6DNet: Light 6 DoF Network for Robust and Precise Object Pose Estimation with Small Datasets

Estimating the 3D pose of an object is a challenging task that can be considered within augmented reality or robotic applications. In this paper, we propose a novel approach to perform 6 DoF object pose estimation from a single RGB-D image. We adopt a hybrid pipeline in two stages: data-driven and geometric respectively. The data-driven step consists of a classification CNN to estimate the object…

lire la publication

27.05.2021

Efficient Multi-stream Temporal Learning and Post-fusion Strategy for 3D Skeleton-based Hand Activity Recognition

Recognizing first-person hand activity is a challenging task, especially when not enough data are available. In this paper, we tackle this challenge by proposing a new hybrid learning pipeline for skeleton-based hand activity recognition, which is composed of three blocks. First, for a given sequence of hand’s joint positions, the spatial features are extracted using a dedicated combination of…

lire la publication