Détection d'objets en temps réel : Entraînement de réseaux de neurones convolutifs sur images réelles et synthétiques - CNIA 2022 : Conférence Nationale en Intelligence Artificielle Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Détection d'objets en temps réel : Entraînement de réseaux de neurones convolutifs sur images réelles et synthétiques

Résumé

Object detection has been proven to be very effective in various industrial applications. Successfully training an object detector relies on real image datasets that are scarce and heavily dependent on the targeted application. However, creating synthetic image datasets for training is possible using 3D models of the objects of interest. Here, we study the performance of two Neural Network architectures : MobileNetV2-SSD and ResNet50-SSD. Three training scenarios are considered i) ER training on real images, ii) E1 training on synthetic images and iii) E2 training on synthetic images and finetuning on real images. Our results show a decrease in the mean average precision (mAP) when the models are trained on synthetic datasets compared to real image datasets. This precision improves when the training is finetuned with real images.
La détection des objets a prouvé son efficacité dans diverses applications industrielles. La réussite de l'entraînement d'un détecteur d'objets dépend largement de la disponibilité de jeux d'images réelles, qui sont souvent rares et dépendent de l'application visée. Cependant, il est possible de générer des images synthétiques pour l'entraînement via des modèles 3D des objets d'intérêt. Dans cet article, nous étudions les performances de deux architectures de réseaux neurones : MobileNetV2-SSD et ResNet50-SSD. Trois scénarios d'entraînement sont considérés : i) Entraînement ER sur des images réelles, ii) E1 sur des images synthétiques et iii) E2 sur des images synthétiques avec un fine-tuning sur des images réelles. Nos résultats montrent la baisse de la précision moyenne (mAP) lorsque l'entraînement est effectué sur des images synthétiques. Cette précision s'améliore lorsque l'entraînement est suivi d'un fine-tuning sur des images réelles. Mots-clés Détection d'objets, réseau de neurones convolutifs, smartphone, temps réel, images synthétiques.
Fichier principal
Vignette du fichier
13-CNIA_2022-Zgheib-Borges-Feldman-Guntz-DiLoreto-Desmaison-Corduant.pdf (1.18 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03866340 , version 1 (22-11-2022)

Identifiants

  • HAL Id : hal-03866340 , version 1

Citer

T Zgheib, H Borges, V Feldman, T Guntz, C Di Loreto, et al.. Détection d'objets en temps réel : Entraînement de réseaux de neurones convolutifs sur images réelles et synthétiques. Conférence Nationale en Intelligence Artificielle 2022 (CNIA 2022), Jun 2022, Saint-Etienne, France. ⟨hal-03866340⟩

Collections

CNIA_2022
61 Consultations
191 Téléchargements

Partager

Gmail Facebook X LinkedIn More