Apprentissage de variétés pour la Détection et Reconnaissance de véhicules faiblement résolus en imagerie aérienne
Résumé
This manuscript addresses the problematics of Detection and Recognition of vehicles of poor resolution in aerial imagery.
First, we present these two problems and we give a survey of the different state-of-the-art technics that exist to solve them.
We then introduce databases which are used by the Computer Vision community and the databases created and used during our work, that are more suited to our industrial context.
Thirdly, we test some of the state-of-the-art algorithms and we present the related results on these databases.
Next, we introduce the use of manifolds as generative models in order to decorrelate the modelisation of the vehicles from the modelisation of the background regions.
Then, the discriminative autoencoder, a novel algorithm based on metric learning to detect and recognise efficiently vehicles, as well as its extension, the convolutional discriminative autoencoder, are presented with the associated experiments and results.
Finaly, we present some experiments on learning the caracteristics of the background of an image.
The document is closed by the conclusions and a discussion about the future works.
Cette thèse traite les problématiques de Détection et Reconnaissance de véhicules faiblement résolus dans des images aériennes.
Nous présentons tout d'abord ces deux problématiques et leurs difficultés, tant générales que spécifiques au contexte industriel.
Dans un second temps, nous effectuons un état de l'art des techniques existantes qui permettent de résoudre ces problématiques sur les contextes classiques, puis
nous présentons les bases de données utilisées par la communauté de vision par ordinateur et les bases de données utilisées et crées dans cette thèse.
Par la suite, nous présentons les expériences et résultats obtenus avec des méthodes de l'état de l'art sur les bases de données présentées, après quoi nous introduisons l'utilisation des variétés de manière générative, afin de découpler la modélisation des véhicules à détecter et la modélisation du fond à traiter.
Ensuite, l'autoencodeur discriminant, un nouvel algorithme basé sur de l'apprentissage de métrique à des fins de classification est présenté, ainsi que son extension, l'autoencodeur discriminant convolutionel.
Enfin, nous présentons quelques expériences basées sur l'apprentissage des caractéristiques du fond d'une image.
Nous exposons finalement les conclusions et perspectives des travaux effectués.
Loading...