Détection d’objets

Exemples positifs

Exemples négatifs

• Aire de recouvrement : \[ A_{ij} = \frac{\text{Aire}{\left( B_i \cap B_j \right)}}{\text{Aire}{\left( B_i \cup B_j \right)}} \]
• Critère de décision : \[ A_{ij} > 1/2 \]

• Parcourir l’ensemble des boîtes par ordre décroissant de score.
• Pour chaque paire de boîtes ayant un recouvrement suffisant, supprimer la boîte avec le plus faible score.

• Parcourir l’ensemble des boîtes par ordre décroissant de score.
• Pour chaque paire de boîtes ayant un recouvrement suffisant, supprimer la boîte avec le plus faible score.

• Générer aléatoirement un ensemble d’exemples négatifs.
• Apprendre un premier classifieur utilisant ces exemples.
• Utiliser le classifieur sur l’ensemble des images d’apprentissage.
• Prendre tous les faux positifs comme exemples négatifs supplémentaires.
• Recommencer l’apprentissage.

Approche par fenêtre glissante :

• Plusieurs centaines de fenêtres par image.
• Seulement quelques fenêtres positives.
• Un classifieur qui décide toujours « non » aura un taux de bonne classification de presque 100%.

• Trier les détections par ordre décroissant de score.
• En ajoutant une à une les détections, on calcule à chaque pas un point de la courbe.
• On peut utiliser la moyenne de toutes les précisions comme mesure unique (\(\approx\) aire sous la courbe).

1. Image d’entrée de taille arbitraire.
2. Génération de fenêtres candidates (recherche sélective).
3. Redimensionnement des fenêtres à une taille fixe.
4. Calcul des caractéristiques par un réseau convolutif.
5. Classification des fenêtres.
6. Régression des coordonnées des fenêtres.

1. Image d’entrée de taille arbitraire.
2. Génération de fenêtres candidates (recherche sélective).
3. Redimensionnement des fenêtres à une taille fixe.
4. Calcul des caractéristiques par un réseau convolutif.
5. Classification des fenêtres.
6. Régression des coordonnées des fenêtres.

1. Image d’entrée de taille arbitraire.
2. Génération de fenêtres candidates (recherche sélective).
3. Redimensionnement des fenêtres à une taille fixe.
4. Calcul des caractéristiques par un réseau convolutif.
5. Classification des fenêtres.
6. Régression des coordonnées des fenêtres.

1. Image d’entrée de taille arbitraire.
2. Génération de fenêtres candidates (recherche sélective).
3. Redimensionnement des fenêtres à une taille fixe.
4. Calcul des caractéristiques par un réseau convolutif.
5. Classification des fenêtres.
6. Régression des coordonnées des fenêtres.

1. Image d’entrée de taille arbitraire.
2. Génération de fenêtres candidates (recherche sélective).
3. Redimensionnement des fenêtres à une taille fixe.
4. Calcul des caractéristiques par un réseau convolutif.
5. Classification des fenêtres.
6. Régression des coordonnées des fenêtres.

1. Image d’entrée de taille arbitraire.
2. Génération de fenêtres candidates (recherche sélective).
3. Redimensionnement des fenêtres à une taille fixe.
4. Calcul des caractéristiques par un réseau convolutif.
5. Classification des fenêtres.
6. Régression des coordonnées des fenêtres.

1. Image d’entrée de taille fixe.
2. Calcul des caractéristiques globales par un réseau convolutif.
3. Projection des fenêtres candidates (recherche sélective sur l’image d’entrée) dans l’espace des caractéristiques.
4. Calcul d’un tenseur de taille fixe par max-pooling.
5. Calcul de couches fully-connected pour chaque candidat.
6. Classification et régression.
7. Un seul apprentissage avec un objectif multi-tâches.

1. Image d’entrée de taille fixe.
2. Calcul des caractéristiques globales par un réseau convolutif.
3. Projection des fenêtres candidates (recherche sélective sur l’image d’entrée) dans l’espace des caractéristiques.
4. Calcul d’un tenseur de taille fixe par max-pooling.
5. Calcul de couches fully-connected pour chaque candidat.
6. Classification et régression.
7. Un seul apprentissage avec un objectif multi-tâches.

1. Image d’entrée de taille fixe.
2. Calcul des caractéristiques globales par un réseau convolutif.
3. Projection des fenêtres candidates (recherche sélective sur l’image d’entrée) dans l’espace des caractéristiques.
4. Calcul d’un tenseur de taille fixe par max-pooling.
5. Calcul de couches fully-connected pour chaque candidat.
6. Classification et régression.
7. Un seul apprentissage avec un objectif multi-tâches.

1. Image d’entrée de taille fixe.
2. Calcul des caractéristiques globales par un réseau convolutif.
3. Projection des fenêtres candidates (recherche sélective sur l’image d’entrée) dans l’espace des caractéristiques.
4. Calcul d’un tenseur de taille fixe par max-pooling.
5. Calcul de couches fully-connected pour chaque candidat.
6. Classification et régression.
7. Un seul apprentissage avec un objectif multi-tâches.

1. Image d’entrée de taille fixe.
2. Calcul des caractéristiques globales par un réseau convolutif.
3. Projection des fenêtres candidates (recherche sélective sur l’image d’entrée) dans l’espace des caractéristiques.
4. Calcul d’un tenseur de taille fixe par max-pooling.
5. Calcul de couches fully-connected pour chaque candidat.
6. Classification et régression.
7. Un seul apprentissage avec un objectif multi-tâches.

1. Image d’entrée de taille fixe.
2. Calcul des caractéristiques globales par un réseau convolutif.
3. Projection des fenêtres candidates (recherche sélective sur l’image d’entrée) dans l’espace des caractéristiques.
4. Calcul d’un tenseur de taille fixe par max-pooling.
5. Calcul de couches fully-connected pour chaque candidat.
6. Classification et régression.
7. Un seul apprentissage avec un objectif multi-tâches.

1. Image d’entrée de taille fixe.
2. Calcul des caractéristiques globales par un réseau convolutif.
3. Projection des fenêtres candidates (recherche sélective sur l’image d’entrée) dans l’espace des caractéristiques.
4. Calcul d’un tenseur de taille fixe par max-pooling.
5. Calcul de couches fully-connected pour chaque candidat.
6. Classification et régression.
7. Un seul apprentissage avec un objectif multi-tâches.

1. Image d’entrée de taille fixe.
2. Calcul des caractéristiques globales par un réseau convolutif.
3. Proposition de fenêtres candidates par un réseau.
4. Classification et régression.

Boîte d’ancrage : \[ t_x = (x-x_a) / w_a \] \[ t_y = (y-y_a) / h_a \] \[ t_w = w / w_a \] \[ t_h = h / h_a \]