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.
Origine : Fichiers produits par l'(les) auteur(s)