Author/Authors :
hachchane, imane université hassan ii - faculté des sciences et techniques mohammedia - laboratoire d’electronique, energie, automatique traitement de l’information (eea ti), Casablanca, Morocco , badri, abdelmajid université hassan ii - faculté des sciences et techniques mohammedia - laboratoire d’electronique, energie, automatique traitement de l’information (eea ti), Casablanca, Morocco , sahel, aïcha université hassan ii - faculté des sciences et techniques mohammedia - laboratoire d’electronique, energie, automatique traitement de l’information (eea ti), Casablanca, Morocco , ruichek, y. université de technologie de belfort montbéliard - irtes - laboratoire set, Belfort, France
Abstract :
Les caractéristiques d images dérivées des réseaux neuronaux convolutifs (CNN) pré-entrénés sont devenues la norme dans les tâches de vision par ordinateur telle que la récupération d instances. Ce travail explore la pertinence de la récupération de caractéristiques d images et de régions à partir d un CNN de détection d objets tel que Faster R-CNN. Nous profitons des propositions d objets appris par un RPN (Region Proposal Network) et de leurs caractéristiques associées prises d’un CNN pour construire un pipeline de recherche d instances composées d’un filtrage puis d’un reclassement. Plus encore, nous étudions la pertinence des caractéristiques de Faster R-CNN lorsque le réseau est affiné pour les mêmes objets que ceux qu’on veut récupérer. Nous évaluons la performance du système avec les deux datasets:Oxford Buildings 5k et Paris Buildings 6k. Les résultats obtenus par notre algorithme comparé avec d’autres techniques sont encourageants.
NaturalLanguageKeyword :
Traitement d’images , classification , reconnaissance d’objets , CNN , Faster R , CNN , recherche d’instances d’images
