Autoencodeurs discriminants pour la détection et la reconnaissance de véhicules en imagerie aérienne

Show full item record

Files in this item

PDF TraitSignal_2015_32_2_245_Razakarivo.pdf 3.993Mb

Pour citer ce document :
URI: http://hdl.handle.net/2042/70274
Title: Autoencodeurs discriminants pour la détection et la reconnaissance de véhicules en imagerie aérienne
Author: Razakarivony, Sébastien; Jurie, Frédéric
Abstract: Les autoencodeurs, qui permettent de modéliser des données au moyen de variétés, peuvent être utilisés dans un contexte de détection d’objets pour modéliser l’apparence des classes d’objets à détecter. La distance entre un vecteur à classer et la variété peut alors être utilisée comme une mesure de probabilité d’appartenance du vecteur à la classe. Cependant, en construisant la variété de manière à ce que les vecteurs de la classe appartiennent à la variété, rien ne garantit que des vecteurs d’autres classes ne lui appartiennent pas également. Nous cherchons à lever cette limitation en proposant un nouveau type d’autoencodeurs, les autoencodeurs discriminants, qui ont la propriété de construire des variétés éloignant les formes n’appartenant pas à la classe d’objets à détecter de la variété. Une validation expérimentale dans un contexte de détection et reconnaissance de véhicules en imagerie aérienne permet de conclure sur la pertinence de la méthode proposée.The autoencoders allow to model data with manifolds. In an object detection task, they model the appearance of objects to detect. The distance between a vector to classify and the manifold can then be used as a measure of the probability that the vector belong to it. However, if the learnt manifold is such that all vectors of the class belong to it, nothing garanties that the vectors of other classes will not. We propose to remove this limitation with a new kind of encoders, the discriminative autoencoders, which have the property to build manifolds that move away the negative examples from the positive ones. An experimental validation on the context of detection and recognition of vehicles allows to conclude on the method.
Subject: vision par ordinateur; détection d’objets; variétés; apprentissage statistique; computer vision; object detection; manifold; machine learning
Publisher: Lavoisier
Date: 2015

This item appears in the following Collection(s)

Show full item record





Advanced Search