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
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)