Adaptation de Yolov8 pour la détection d'objets avec peu d'exemples
Résumé
Recent networks for object detection obtain excellent performance when trained on large databases but still have difficulties learning a new object with few examples. The methods of this domain using rather heavy architectures, we have decided to adapt the modules presented in DeFRCN into the newer and faster architecture of Yolov8. We show here the impact of this modification on the MSCOCO bechmark, and finally discuss about the biases existing in this method.
Les réseaux récents pour la détection d’objets obtiennent d’excellentes performances quand ils sont entraînés sur de grandes bases de données, mais ont toujours des difficultés pour apprendre un nouvel objet avec peu d’exemples. Les méthodes de ce domaine utilisant plutôt des architectures lourdes, nous avons décidé d’adapter les modules présentés dans DeFRCN dans l’architecture plus récente et rapide de Yolov8. Nous montrons ici l’impact de cette modification sur le benchmark MSCOCO, et finalement parlons des biais de cette méthode.
Fichier principal
CNIA-PFIA-2024-FOURRET-FIORIO-SUBSOL-CHAUMONT-Yolov8PeuExemples.pdf (2.35 Mo)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |
