Détection d'objets basé Faster R-CNN

Abstract

La détection d'objets est un sous-domaine de la vision par ordinateur qui est actuellement fortement basé sur l'apprentissage automatique. Au cours de la dernière décennie, le domaine de l'apprentissage automatique a été dominé par les réseaux de neurones dits profonds, qui tirent parti des améliorations de la puissance de calcul et de la disponibilité des données. Un sous-type de réseau neuronal appelé réseau neuronal convolutif (CNN) est bien adapté aux tâches liées à l'image. Le CNN est formé pour rechercher différentes caractéristiques, telles que les contours et les différences de couleur, à travers l'image et pour les combiner en des formes plus complexes. Pour la détection d'objets, le système doit à la fois estimer les emplacements des objets probables et les classer. Pour ce mémoire, nous avons passé en revue l’état actuel de la technique sur la détection d’objets par convolution et testé la possibilité d’implémentation de l’une des méthodes appelée Faster R-CNN. Grâce à la disponibilité gratuite des ensembles de données et des modèles pré-entraînés, il est possible de créer une implémentation fonctionnelle d'un réseau neuronal profond sans accès à du matériel spécialisé. Les réseaux pré-entrainés peuvent également être utilisés comme point de départ pour former de nouveaux réseaux, ce qui réduit le temps de formation coûteux. Pour la partie expérimentale, nous avons implémenté Faster R CNN et testé le modèle sur des images externes différents liés à la circulation routière. Nous avons constaté que Faster RCNN est relativement précis avec un taux de précision 86%.