Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

pb 17 I Hachane Nouvelle approche neuronale Faster R-CNN pour la recherche d ? instances d ? images Nouvelle approche neuronale Faster R-CNN pour la recherche d ? instances d ? images Imane HACHCHANE Abdelmajid BADRI A? cha SAHEL Laboratoire d ? Electroni

I Hachane Nouvelle approche neuronale Faster R-CNN pour la recherche d ? instances d ? images Nouvelle approche neuronale Faster R-CNN pour la recherche d ? instances d ? images Imane HACHCHANE Abdelmajid BADRI A? cha SAHEL Laboratoire d ? Electronique Energie Automatique Traitement de l ? Information EEA TI Faculté des Sciences et Techniques Mohammedia Université Hassan II Casablanca Mohammedia Maroc hachchaneimane gmail com Laboratoire d ? Electronique Energie Automatique Traitement de l ? Information EEA TI Faculté des Sciences et Techniques Mohammedia Université Hassan II Casablanca Mohammedia Maroc abdelmajid badri yahoo fr Laboratoire d ? Electronique Energie Automatique Traitement de l ? Information EEA TI Faculté des Sciences et Techniques Mohammedia Université Hassan II Casablanca Mohammedia Maroc sahel ai yahoo fr Y RUICHEK IRTES -Laboratoire SET Université de Technologie de Belfort Montbéliard Belfort France yassine ruichek utbm fr ?? Résumé ??Les caractéristiques d'images dérivées des réseaux neuronaux convolutifs CNN pré-entrénés sont devenues la norme dans les t? ches 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 pro ?tons 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 ?ltrage puis d ? un reclassement Plus encore nous étudions la pertinence des caractéristiques de Faster R- CNN lorsque le réseau est a ?né pour les mêmes objets que ceux qu ? on veut récupérer Nous évaluons la performance du système avec les deux datasets Oxford Buildings k et Paris Buildings k Les résultats obtenus par notre algorithme comparé avec d ? autres techniques sont encourageants Mot clés ??Traitement d ? images classi ?cation reconnaissance d ? objets CNN Faster R-CNN recherche d ? instances d ? images I INTRODUCTION La prolifération des caméras a mené une explosion de contenus visuels en ligne ce qui a motivé les chercheurs à proposer des systèmes de récupération d'images e ?caces basés sur le contenu Ce travail traite le problème de recherche d'instances comprise comme la récupération des images à partir d'une base de données contenant une ou plusieurs instances d'une requête Récemment il a été prouvé que les réseaux neuronaux convolutifs CNN atteignent des performances de pointe dans de nombreuses t? ches de vision par ordinateur telle que la classi ?cation d'images la détection d'objets ou la segmentation sémantique Les CNN entrainés avec de grandes quantités de données ont appris à apprendre des représentations d'entités qui peuvent être su ?samment génériques pour être utilisées même pour résoudre des t? ches pour lesquelles ils n'avaient pas été entrainés Pour la recherche d'images en particulier de nombreux travaux de la littérature ont adopté des solutions basées sur des fonctionnalités standard extraites d'un CNN préétabli pour la classi ?cation d'images atteignent des performances encourageantes Les systèmes de recherche d'instances combinent souvent des étapes de ?ltrage rapides dans