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

Show simple item record

dc.contributor.author Razakarivony, Sébastien -
dc.contributor.author Jurie, Frédéric -
dc.date.accessioned 2019-06-27T13:46:30Z
dc.date.available 2019-06-27T13:46:30Z
dc.date.issued 2015 -
dc.identifier.citation Razakarivony, Sébastien ; Jurie, Frédéric. Autoencodeurs discriminants pour la détection et la reconnaissance de véhicules en imagerie aérienne. Traitement du signal, 2015, 32, 2, p. 245-264, https://doi.org/10.3166/TS.32.245-264 -
dc.identifier.issn 0765-0019 -
dc.identifier.uri http://hdl.handle.net/2042/70274
dc.description.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. fr
dc.description.abstract 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. en
dc.language.iso fr -
dc.publisher Lavoisier -
dc.relation.ispartofseries Traitement du signal -
dc.rights Accès libre - Licence d'utilisation : http://irevues.inist.fr/utilisation -
dc.source Traitement du signal [Trait. Signal], ISSN 0765-0019, 2015, 32, 2, p. 245-264 -
dc.subject vision par ordinateur fr
dc.subject détection d’objets fr
dc.subject variétés fr
dc.subject apprentissage statistique fr
dc.subject computer vision en
dc.subject object detection en
dc.subject manifold en
dc.subject machine learning en
dc.title Autoencodeurs discriminants pour la détection et la reconnaissance de véhicules en imagerie aérienne fr
dc.title.alternative Discriminative autoencoder for detection and recognition of vehicle in aerial imagery en
dc.type Article -
dc.contributor.affiliation 72 Rue de la Tour Billy 95100 Argenteuil, France -
dc.contributor.affiliation Université de Caen, U.F.R. Sciences Boulevard du Maréchal Juin 14032 Caen Cedex, France -
dc.identifier.doi https://doi.org/10.3166/TS.32.245-264


Files in this item

PDF TraitSignal_2015_32_2_245_Razakarivo.pdf 3.993Mb

This item appears in the following Collection(s)

Show simple item record





Advanced Search