ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique
Auteurs : soumettez
votre article en ligne
Autres revues >>

Traitement du Signal

0765-0019
Signal, Image, Parole
 

 ARTICLE VOL 32/2-3 - 2015  - pp.245-264  - doi:10.3166/ts.32.245-264
TITRE
Autoencodeurs discriminants pour la détection et la reconnaissance de véhicules en imagerie aérienne

TITLE
Discriminative autoencoder for detection and recognition of vehicle in aerial imagery

RÉSUMÉ

Les autoencodeurs, qui permettent de modéliser des données au moyen de variétés, peuvent être utilisés dans un contexte de détection d’objets pour modéliser l’apparence des classes d’objets à détecter. La distance entre un vecteur à classer et la variété peut alors être utilisée comme une mesure de probabilité d’appartenance du vecteur à la classe. Cependant, en construisant la variété de manière à ce que les vecteurs de la classe appartiennent à la variété, rien ne garantit que des vecteurs d’autres classes ne lui appartiennent pas également. Nous cherchons à lever cette limitation en proposant un nouveau type d’autoencodeurs, les autoencodeurs discriminants, qui ont la propriété de construire des variétés éloignant les formes n’appartenant pas à la classe d’objets à détecter de la variété. Une validation expérimentale dans un contexte de détection et reconnaissance de véhicules en imagerie aérienne permet de conclure sur la pertinence de la méthode proposée.



ABSTRACT

The autoencoders allow to model data with manifolds. In an object detection task, they model the appearance of objects to detect. The distance between a vector to classify and the manifold can then be used as a measure of the probability that the vector belong to it. However, if the learnt manifold is such that all vectors of the class belong to it, nothing garanties that the vectors of other classes will not. We propose to remove this limitation with a new kind of encoders, the discriminative autoencoders, which have the property to build manifolds that move away the negative examples from the positive ones. An experimental validation on the context of detection and recognition of vehicles allows to conclude on the method.



AUTEUR(S)
Sébastien RAZAKARIVONY, Frédéric JURIE

MOTS-CLÉS
vision par ordinateur, détection d’objets, variétés, apprentissage statistique.

KEYWORDS
computer vision, object detection, manifold, machine learning.

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 7.5 €
• Non abonné : 15.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (3,101 Mo)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
made by WAW Lavoisier