Classification crédibiliste d'objets LIDAR en monde ouvert, par apprentissage profond - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2019

Classification crédibiliste d'objets LIDAR en monde ouvert, par apprentissage profond

Résumé

We propose an evidential end-to-end deep neural network to classify LIDAR objects. The system is capable of classifying ambiguous and incoherent objects as unknown, while only having been trained on vehicles and vulnerable road users. This is achieved thanks to an evidential reformulation of generalized logistic regression classifiers, and an online filtering strategy based on statistical assumptions.
Nous proposons un système de classification crédibiliste d'objets LIDAR par apprentissage profond. L'algorithme proposé est basé sur une reformulation crédibiliste d'un perceptron multi-couche, ainsi que sur un mécanisme de filtrage statistique simple. Le système, qui n'est entraîné que sur une base d'usagers routiers, est cependant capable de classifier des objets incohérents vis-à-vis de ce jeu d'entraînement comme étant des objets inconnus.
Fichier principal
Vignette du fichier
Gretsi2019_Capellier681.pdf (633.61 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-02321931 , version 1 (21-10-2019)

Identifiants

  • HAL Id : hal-02321931 , version 1

Citer

Edouard Capellier, Franck Davoine, Veronique Cherfaoui. Classification crédibiliste d'objets LIDAR en monde ouvert, par apprentissage profond. XXVIIème Colloque francophonede traitement du signal et des images (GRETSI 2019), Aug 2019, Lille, France. ⟨hal-02321931⟩
165 Consultations
89 Téléchargements

Partager

Gmail Facebook X LinkedIn More