Correl-Net : segmentation des défauts par apprentissage profond dans les films anciens à l'aide de couches de corrélation - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Correl-Net : segmentation des défauts par apprentissage profond dans les films anciens à l'aide de couches de corrélation

Résumé

Le processus de restauration de films anciens implique de nombreuses opérations, dont l’une consiste à identifier les défauts qui ont altéré le film. Cette opération peut être formulée comme un problème de segmentation binaire et résolue à l’aide de réseaux de segmentation de l’état de l’art tels que DeepLab v3+ ou NAS-FPN. Bien qu’elles soient très performantes pour apprendre les caractéristiques spatiales des défauts, ces méthodes ne prennent pas en compte le fait que les défauts constituent aussi des anomalies temporelles. Nous proposons donc une architecture fondée sur l’utilisation de couches de corrélation pour compenser le mouvement et éliminer les faux positifs potentiels, des éléments ressemblant à des défauts mais pouvant être suivis sur plusieurs images et faisant réellement partie de la scène. Nous introduisons également un processus de pré-entraînement auto-supervisé du réseau, qui précède une phase de spécification permettant d’adapter le détecteur à chaque film. Les résultats montrent que notre architecture, plus compacte et moins consommatrice de ressources que les méthodes de l’état de l’art, atteint une précision plus élevée tout en maintenant le rappel à un niveau comparable.
Fichier principal
Vignette du fichier
ARTHUR_RFIAP_2022.pdf (10.65 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04492562 , version 1 (06-03-2024)

Identifiants

  • HAL Id : hal-04492562 , version 1

Citer

Arthur Renaudeau, Travis Seng, Axel Carlier, Jean-Denis Durou. Correl-Net : segmentation des défauts par apprentissage profond dans les films anciens à l'aide de couches de corrélation. Reconnaissance des Formes, Image, Apprentissage et Perception (RFIAP 2022), SSFAM (Société Savante Française d'Apprentissage Machine); AFRIF (Association Française pour la Reconnaissance et l'Interprétation des Formes), Jul 2022, Vannes, France. ⟨hal-04492562⟩
12 Consultations
3 Téléchargements

Partager

Gmail Facebook X LinkedIn More