Deep neural networks for object classification in infrared imagery : contribution of learning from synthetic data and anomaly detection
Réseaux de neurones profonds pour la classification d’objets en imagerie infrarouge : apports de l’apprentissage à partir de données synthétiques et de la détection d’anomalies
Résumé
Neural network performance is directly linked to the quality and quantity of training data available, especially for Convolutional Neural Networks. Building exhaustive datasets is difficult for automatic target recognition and identification in a military context. To compensate data scarcity, it is possible to use simulation to create a dataset large enough to train neural networks. However, state of the art CNN models may not be able to properly generalize on real data after a training phase on simulated images. In this thesis we propose a purpose-built CNN called cfCNN which is able improve over state of the art models. We assume that the cfCNN is processing images from a detection stage which may not be fully accurate. As a result, we test our model against various detections errors and show that it outperforms various CNN models from the literature. Confidence in a model’s predictions can substantially help its deployment, especially for military applications. In this work, we propose an anomaly detection module to detect classification errors during inference. Based on the Local Outlier Factor algorithm, it showed great results on homogenous training and testing datasets. However, it lacked performance when transferring the detector from simulated to real data. To compensate the performance loss in this scenario, we propose a cascade detector which uses multiple inputs from the cfCNN to detect classification errors.
Les performances des technique d’apprentissage profond et plus particulièrement les réseaux de neurones convolutifs, ou CNN, sont conditionnés par la taille et la qualité des bases de données d’entrainement. Dans un contexte comme celui de l’identification de véhicules militaires dans des images infrarouges, il est difficile de constituer de telles bases d’apprentissage. Pour y remédier, il est possible d’utiliser la simulation pour générer ces ensembles de données. Cependant, les architectures issues de l’état de l’art généralisent mal sur des données réelles après un entrainement sur données simulées. Dans cette thèse, nous proposons un réseau convolutif spécifique, appelée cfCNN, qui permet d’obtenir de meilleures performances que les modèles de l’état de l’art que nous avons testés. Nous supposons que les images qui lui seront présentées seront issues d’un module de détection qui peut être imparfaite. Nous évaluons donc la robustesse du cfCNN face à des translations et des changements d’échelle de la cible dans l’image d’entrée. Face à ces perturbations, le cfCNN montre une meilleure robustesse par rapport à des réseaux convolutifs issus de l’état de l’art. Pour améliorer la confiance dans les prédictions du cfCNN, nous proposons un module de détection d’anomalies de classification, basé sur le Local Outlier Factor. Cette approche montre de bonnes performances sur des données d’entrainement et de test homogènes. Cependant elle est moins performante pour un problème de transfert entre des données simulées et réelles. Pour compenser cette baisse de performance nous proposons alors un schéma en cascade qui exploite les informations issues de différentes couches du cfCNN.
Origine : Version validée par le jury (STAR)