Amélioration des performances des réseaux de neurones convolutifs en localisation indoor par augmentation des données - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2021

Amélioration des performances des réseaux de neurones convolutifs en localisation indoor par augmentation des données

Résumé

Les réseaux de neurones convolutifs (CNN) offrent des performances remarquables dans la détection et la reconnaissance d'objets, en grande partie grâce aux jeux de données volumineux et de qualité existants. Ces performances se détériorent en localisation indoor à cause de la faible quantité de données disponibles. Une autre limite des CNN est leur robustesse réduite aux transformations géométriques comme la rotation et le changement d'échelle. Pour pallier ces défauts, nous analysons l'effet de l'augmentation des données sur les performances du système de classification, en ajoutant des images modifiées pour tenir compte des changements de point de vue représentatifs. Pour compenser les temps de calcul plus longs, nous utilisons un modèle CNN pré-entraîné et appliquons un apprentissage par transfert. Les résultats obtenus sur les jeux de données d'images de scènes MIT Indoor67 et Scene15 montrent l'intérêt de l'approche proposée.
Fichier principal
Vignette du fichier
ORASIS21_VF.pdf (1.43 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03339622 , version 1 (09-09-2021)

Identifiants

  • HAL Id : hal-03339622 , version 1

Citer

Andrea Daou, Jean‐baptiste Pothin, Paul Honeine, Abdelaziz Bensrhair. Amélioration des performances des réseaux de neurones convolutifs en localisation indoor par augmentation des données. ORASIS 2021, Centre National de la Recherche Scientifique [CNRS], Sep 2021, Saint Ferréol, France. ⟨hal-03339622⟩
792 Consultations
123 Téléchargements

Partager

Gmail Facebook X LinkedIn More