Autoencodeurs discriminants pour la détection et la reconnaissance de véhicules en imagerie aérienne

Abstract

Les autoencodeurs, qui permettent de modéliser des données au moyen de variétés, peuvent être utilisés dans un contexte de détection d'objets pour modéliser l'apparence des classes d'objets à détecter. La distance entre un vecteur à classer et la variété peut alors être utilisée comme une mesure de probabilité d'appartenance du vecteur à la classe. Cependant, en construisant la variété de manière à ce que les vecteurs de la classe appartiennent à la variété, rien ne garantit que des vecteurs d'autres classes ne lui appartiennent pas également. Nous cherchons à lever cette limitation en proposant un nouveau type d'autoencodeurs, les autoencodeurs discriminants, qui ont la propriété de construire des variétés éloignant les formes n'appartenant pas à la classe d'objets à détecter de la variété. Une validation expérimentale dans un contexte de détection et reconnaissance de véhicules en imagerie aérienne permet de conclure sur la pertinence de la méthode proposée. ABSTRACT. The autoencoders allow to model data with manifolds. In an object detection task, they model the appearance of objects to detect. The distance between a vector to classify and the manifold can then be used as a measure of the probability that the vector belong to it. However, if the learnt manifold is such that all vectors of the class belong to it, nothing garanties that the vectors of other classes will not. We propose to remove this limitation with a new kind of encoders, the discriminative autoencoders, which have the property to build manifolds that move away the negative examples from the positive ones. An experimental validation on the context of detection and recognition of vehicles allows to conclude on the method.

On the use of deep neural networks for the detection of small vehicles in ortho-images

“…Vehicle detection on aerial imagery has been extensively studied in [18,19,20,21,22]. The most recent articles on the subject are [23,24], based on handcrafted descriptors, and [25,26,27] using convolutional neural networks (CNNs). [25] also uses a CNN with a similar architecture, but does not provide any strategy to deal with class imbalance.…”