Apprentissage supervisé pour la détection et suivi d’objets sur des vidéos capturées à partir de drones
No Thumbnail Available
Date
2022
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Les solutions de détection d’objets basées sur les algorithmes d’apprentissage profond
ont attiré toute l’attention ces dernières années. L’utilisation des drones pour des
applications potentielles telles que la surveillance des forêts et territoires, la gestion de
l’agriculture et l’administration urbaine. La détection et suivi d’objets en mouvement est
une tâche complexe pour les techniques existantes, en effet cette complexité réside dans
la diversité des objets (forme, texture, couleur), variations de luminosité, le problème
d’occlusions.
Dans ce mémoire notre objectif est de lever les défis imposés par les techniques traditionnelles
en se basant sur les approches de l’apprentissage en profondeur afin d’offrir une
solution automatique en temps réel pour la détection et le suivi d’objets en mouvement
sur des vidéos, capturées à partir de drones.
Dans ce travail nous proposons un modèle basée sur les réseaux de neurones convolutifs
et le transfert d’apprentissage afin de détecter les arbres de palmiers dans des zones
forestière denses. Notre idée consiste à utiliser un transfert de connaissances en se basant
sur la dernière architecture de YOLO v5.
En effet nous avons modifié l’architecture du Backbone afin d’optimiser l’étape de
détection et de reconnaissance des palmiers afin d’optimiser la tâche de l’extraction de
caractéristiques et également de permettre à notre modèle de se focaliser sur les caractéristiques
les plus pertinentes. Un jeu de donnée a été introduit manuellement afin d’évaluer
les performances de notre solution. Notre modèle produit de bons résultats en termes de
précision ainsi il permet d’offrir un comptage des palmiers en temps réel.