1
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur f...
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur f...
4
La forte variabilité
de panneaux de
signalisation routière
(PSR) dans des
environnements non
contrôlés a rend leur
détec...
La reconnaissance PSR permet de prévenir le conducteur de
ne pas prendre des décisions inappropriées dans des
situations p...
Les méthodes de reconnaissance des PSR sont utilisées en
combinaison avec d'autres méthodes afin de recueillir des
informa...
Dans la littérature, on peut trouver deux
principales approches pour résoudre le
problème de la RPS:
1. Reconnaissance bas...
La première s'appuie sur la couleur pour réduire de faux
résultats positifs dans le processus de reconnaissance
alors que ...
Le seuil est appliqué sur une représentation
HSV(HUE,SATURATION,VALUE) de l'image pour trouver des
régions avec une forte ...
Une fois que les régions sont normalisées à une taille
prédéfinie, un SVM linéaire est utilisé pour classer la
région de l...
Puisque l'information de couleur est fortement liée
au type de caméra, éclairage et vieillissement du
signe, l'utilisation...
Solutions pour résoudre l’enjeu:
1. Réseau neuronal
2. Approche complexe basée sur une cascade de détecteurs,
où chacun es...
D'autre part, en raison de la
recherche exhaustive sur les
caractéristiques exposées, le temps
d’apprentissage s’augmente ...
Les auteurs proposent une technique pour
résoudre le dernier problème.
« Error Correcting Output Codes (ECOC) »
Cette tech...
:
1. La détection de PSR de l’arrière-plan se
fait à l’aide de la méthode évolutive
AdaBoost.
2. Deuxièmement, pour faire ...
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur f...
Le processus de détection prend une
image en entrée et fournit en sortie
les régions qui contiennent l'objet
candidat.
17
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur f...
Lorsqu’on travaille avec des problèmes
asymétriques tels que la détection de
l'objet, chaque fois qu’on analyse
une image,...
L'architecture en cascade permet de
jeter les régions non-objets faciles
à coût de calcul faible, tandis que
les régions p...
Ensuite, un classificateur est
entraîné à réaliser un nombre calcul
minimal et obtenir un taux maximal de
fausse alarme.
C...
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur f...
Le « Dissociated Dipole » opérateur
est un outil pour effectuer des
comparaisons d'image non-locales.
Comme un arrête-vise...
Fig.6 Le but de l'approche des
« Dissociated Dipole » est de
dissocier les deux attributs
24
La valeur moyenne de tous les pixels dans le dipôle
inhibiteur est soustraite de la valeur moyenne des pixels
excitateurs ...
En termes de calcul, l'utilisation de
dipôles dissociées signifie que si on
augmente les caractéristiques d'environ
600.00...
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur f...
« Boosting » est une technique
d'apprentissage puissant qui permet de
combiner la performance de nombreuses
fonctions simp...
AdaBoost - est un méta-algorithme.
Dans l'apprentissage, il construit une
composition des algorithmes d'apprentissage
de b...
Cette méthode est basée sur un algorithme
adaptatif boosting (gain adaptatif) ou
AdaBoost abrégée. Le sens de l'algorithme...
Fig.8 Exemple des objets sur une visage
31
L’algorithme d’AdaBoost
AdaBoost appelle un classificateur faible
pour chaque cycle. Après chaque appel est
faite la mise ...
Avantages de l'algorithme Adaboost.
1. Bonne capacité de généralisation. En vrais
problèmes (pas toujours, mais souvent) i...
Avantages de l'algorithme Adaboost.
2. Facile à mettre en œuvre.
34
Avantages de l'algorithme Adaboost.
3. La durée de la construction des
compositions est presque entièrement
déterminé par ...
Avantages de l'algorithme Adaboost.
4. Capable d'identifier les objets qui sont
des émissions de bruit.
36
Inconvénients de l'algorithme
Adaboost.
1. AdaBoost a tendance à surapprentissage
quand il y a un bruit important dans les...
Inconvénients de l'algorithme
Adaboost.
2. AdaBoost nécessite un échantillon
d’apprentissage suffisamment long.
38
Inconvénients de l'algorithme
Adaboost.
3. La stratégie d’ajouter un grand nombre de
classificateurs conduits à la
constru...
Inconvénients de l'algorithme
Adaboost.
4. Boosting peut conduire à la construction
des compositions volumineux, constitué...
Fig.9 Algorithme AdaBoost
41
Fig.9 Exemple de fonction de l’Algorithme AdaBoost
42
Fig. 8 Caractéristiques d’Haar
43
Dans l'approche « Boosting » classique, une
recherche exhaustive est utilisée pour
trouver le meilleur classificateur faib...
Le « evolutionary weak learner » minimise le
poids d'erreur de l’Adaboost :
(1)
Où:
X = {(xi, yi)|i = 1 : m} sont les pair...
Les approches classiques basées sur la
descente de gradient ne peuvent pas être
appliquées sur ce problème.
Une autre solu...
La stratégie évolutive plus connu est
l'algorithme génétique, qui fait une
recherche sur les espaces de solutions
utilisan...
L'algorithme évolutionnaire remplace la
recherche exhaustive sur toutes les
caractéristiques de sorte que même de très
gra...
Fig.10 Algorithme évolutive
49
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur f...
Lorsqu’on travaille avec des algorithmes
évolutionnaires, nous devons définir deux
éléments de base: les individus et la
f...
La fonction d'évaluation
(2)
où I est un individu
52
L'étape suivante est de déterminer les
paramètres qui sont nécessaires pour
définir h, ou en d'autres termes, pour
décider...
La définition de l'apprenant faible « Weak
Learner » est constitué d'une
caractéristique et une valeur de
seuil(threshold)...
La taille, le poids, et la position des autres
régions qui sont conformes à la fonction Haar-
like sont fixées par le type...
On définit un classificateur faible sur la
base du dissocié dipôle que
h(I,Thr,xi)->{-1, 1}
où
I=(Rex,Rey,Rew,Reh,Rix,Riy,...
Cette approche présente deux avantages
principaux:
la normalisation de l'éclairement n’est pas
nécessaire
et l'élimination...
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur f...
L'approche finale est résumée dans
l'algorithme évolutionnaire Adaboost montré
dans l'algorithme 1.
Cet algorithme est uti...
Algorithme 1:
60
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur f...
Une fois un objet trouvé, nous devons le
classer parmi un grand nombre de classes.
En ce sens, ECOCs représentent une
tech...
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur f...
La conception d'un ECOC est basée sur un
codage et une stratégie de décodage, où le
codage à pour objectif d’assigner un
c...
Fig.10 « Traffic Sign Recognition using Evolutionary Adaboost
detection and Forest-ECOC classification », page 4, [1]
Les ...
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur f...
fait en sorte que la
séparation de codeword optimal est
sacrifiée en faveur d'une amélioration de
la discrimination de cla...
Algorithme 2. Entraînement de Forest-ECOC
68
Fig.11 « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC
classification », page 5, [1]
69
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur f...
Fig.12 « Traffic Sign Recognition using Evolutionary Adaboost
detection and Forest-ECOC classification », page 5, [1]
71
Le système de cartographie mobile possède
une paire stéréo de caméras calibrées, qui
sont synchronisés avec un système GPS...
Fig.13 « Traffic Sign Recognition using Evolutionary Adaboost
detection and Forest-ECOC classification », page 7, [1]
73
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur f...
Les auteurs ont exécuté le processus
d'apprentissage au cours du même
entraînement et test 50 fois, en utilisant
50 itérat...
Fig.14 « Traffic Sign Recognition using Evolutionary Adaboost
detection and Forest-ECOC classification », page 7, [1]
76
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur f...
Les auteurs ont présenté une méthode de calcul faisable
pour la sélection de caractéristiques basée sur une
stratégie évol...
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur f...
[1] « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC
classification », Xavier Baro, Sergio...
81
Prochain SlideShare
Chargement dans…5
×

Reconnaissance de panneaux de signalisation routière en utilisant la détection et la classification évolutive « AdaBoost Forest-ECOC »

797 vues

Publié le

Reconnaissance de panneaux de signalisation routière en utilisant la détection et la classification évolutive « AdaBoost Forest-ECOC »

Publié dans : Formation
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
797
Sur SlideShare
0
Issues des intégrations
0
Intégrations
144
Actions
Partages
0
Téléchargements
8
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Reconnaissance de panneaux de signalisation routière en utilisant la détection et la classification évolutive « AdaBoost Forest-ECOC »

  1. 1. 1
  2. 2. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 2
  3. 3. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 3
  4. 4. 4 La forte variabilité de panneaux de signalisation routière (PSR) dans des environnements non contrôlés a rend leur détections et classification un problème difficile !!!
  5. 5. La reconnaissance PSR permet de prévenir le conducteur de ne pas prendre des décisions inappropriées dans des situations potentiellement dangereuses. Fig.1 Certains panneaux d'avertissement. 5
  6. 6. Les méthodes de reconnaissance des PSR sont utilisées en combinaison avec d'autres méthodes afin de recueillir des informations, mesurer de la position par rapport à la route et l'orientation des différents points de repère en mouvement dans la plate-forme terrestre. 6
  7. 7. Dans la littérature, on peut trouver deux principales approches pour résoudre le problème de la RPS: 1. Reconnaissance basée sur la couleur 2. Reconnaissance basée sur les niveaux de gris Fig.2 Résultats de reconnaissance de la RPS 7
  8. 8. La première s'appuie sur la couleur pour réduire de faux résultats positifs dans le processus de reconnaissance alors que les méthodes de niveaux de gris se concentrent sur la géométrie de l'objet. Des travaux récents utilisent combinaison des deux cases pour améliorer le taux de détection. 8
  9. 9. Le seuil est appliqué sur une représentation HSV(HUE,SATURATION,VALUE) de l'image pour trouver des régions avec une forte probabilité d'avoir un panneau de signalisation. Fig.3 Le seuil est appliqué sur une représentation HSV 9
  10. 10. Une fois que les régions sont normalisées à une taille prédéfinie, un SVM linéaire est utilisé pour classer la région de l'une des formes possibles, comme cercle ou d'un triangle. La couleur et les informations sur la forme sont utilisées pour la classification grossière, et enfin un SVM gaussien est utilisé pour effectuer l'étape de classification fine. 10
  11. 11. Puisque l'information de couleur est fortement liée au type de caméra, éclairage et vieillissement du signe, l'utilisation des informations de couleur introduit des difficultés supplémentaires pour le processus de reconnaissance!!! Fig.4 Le vieillissement du panneau Fig.5 Différents éclairages du panneau 11
  12. 12. Solutions pour résoudre l’enjeu: 1. Réseau neuronal 2. Approche complexe basée sur une cascade de détecteurs, où chacun est un ensemble de classificateurs dopés « Boosted » sur la base des caractéristiques de Haar. Pour le dernier: Lienhart et Maydt [3] ont présenté une extension d’ensemble des caractéristiques de Haar, ce qui démontre que Adaboost converge plus rapidement et avec de meilleurs résultats lorsque l’ensemble des caractéristiques est grand. 12
  13. 13. D'autre part, en raison de la recherche exhaustive sur les caractéristiques exposées, le temps d’apprentissage s’augmente par rapport au nombre de caractéristiques. Ce fait rend impossible toute approche qui tente d'étendre l'ensemble des caractéristiques. 13
  14. 14. Les auteurs proposent une technique pour résoudre le dernier problème. « Error Correcting Output Codes (ECOC) » Cette technique est un outil de catégorisation multi-classe très réussi en raison de sa capacité à partager les connaissances du classificateur entre les classes. ECOC démontre une haute précision avec un très petit nombre de classificateurs binaires. 14
  15. 15. : 1. La détection de PSR de l’arrière-plan se fait à l’aide de la méthode évolutive AdaBoost. 2. Deuxièmement, pour faire face au problème de catégorisation multi-classe, afin de faire la distinction entre un grand nombre de classes, la technique d'apprentissage multi-classe « ECOC » sera utilisée. 15
  16. 16. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 16
  17. 17. Le processus de détection prend une image en entrée et fournit en sortie les régions qui contiennent l'objet candidat. 17
  18. 18. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 18
  19. 19. Lorsqu’on travaille avec des problèmes asymétriques tels que la détection de l'objet, chaque fois qu’on analyse une image, le système doit se débarrasser d'un grand nombre de régions négatives alors que seulement celles correspondant à l'objet que nous recherchons sont conservés. 19
  20. 20. L'architecture en cascade permet de jeter les régions non-objets faciles à coût de calcul faible, tandis que les régions plus complexes sont profondément analysées. 20
  21. 21. Ensuite, un classificateur est entraîné à réaliser un nombre calcul minimal et obtenir un taux maximal de fausse alarme. Ce processus est répété jusqu'à ce que le nombre désiré de phases ou le taux de fausses alarmes atteignent le but désiré. 21
  22. 22. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 22
  23. 23. Le « Dissociated Dipole » opérateur est un outil pour effectuer des comparaisons d'image non-locales. Comme un arrête-viseur de recherche simple, « Dissociated Dipole » est un opérateur différentiel composé d'un excitateur et d’un lobe inhibiteur, et peut être utilisé dans n'importe quelle orientation ou échelle. 23
  24. 24. Fig.6 Le but de l'approche des « Dissociated Dipole » est de dissocier les deux attributs 24
  25. 25. La valeur moyenne de tous les pixels dans le dipôle inhibiteur est soustraite de la valeur moyenne des pixels excitateurs dipolaires. Comme dans le cas des fonctions de Haar, l'image intégrale est utilisée pour calculer la somme des pixels à l'intérieur des régions rectangulaires. Fig.7 « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC classification », page 2, [1] 25
  26. 26. En termes de calcul, l'utilisation de dipôles dissociées signifie que si on augmente les caractéristiques d'environ 600.000 à plus de 230 caractéristiques dans une taille de fenêtre d’apprentissage de 30 × 30 pixels, ce qui rend l'approche classique de calcul . Pour faire face à cette limitation, nous définissons une approche évolutive de Adaboost. 26
  27. 27. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 27
  28. 28. « Boosting » est une technique d'apprentissage puissant qui permet de combiner la performance de nombreuses fonctions simples de classification ou classificateurs faibles pour produire un classificateur fort. 28
  29. 29. AdaBoost - est un méta-algorithme. Dans l'apprentissage, il construit une composition des algorithmes d'apprentissage de base pour améliorer leur efficacité. AdaBoost algorithme adaptatif est amplifiant, en ce sens que chaque classifier est basé sur les objets suivants, qui sont mal classés en utilisant des classificateurs précédents. 29
  30. 30. Cette méthode est basée sur un algorithme adaptatif boosting (gain adaptatif) ou AdaBoost abrégée. Le sens de l'algorithme est que, si nous disposons d'un ensemble d'objets de référence, c’est-a-dire d’avoir les valeurs et la classe à laquelle ils appartiennent (par exemple: -1  pas de visage, +1  a un visage), en plus il y a beaucoup de classificateurs simples, nous pouvons faire un classificateur meilleur et puissant. 30
  31. 31. Fig.8 Exemple des objets sur une visage 31
  32. 32. L’algorithme d’AdaBoost AdaBoost appelle un classificateur faible pour chaque cycle. Après chaque appel est faite la mise à jour de poids de distribution qui répondent à l'importance de chacun des objets comme un ensemble d’apprentissages pour la classification. Ensuite, à chaque itération, le poids d’objet mal classé augmente, de sorte que le nouveau classificateur "concentre" sur ses objets. 32
  33. 33. Avantages de l'algorithme Adaboost. 1. Bonne capacité de généralisation. En vrais problèmes (pas toujours, mais souvent) il est possible de construire une composition qui est de qualité supérieure par rapport l’algorithme de base. La capacité de la généralisation peut être améliorée (dans certains problèmes) en augmentant le nombre d'algorithmes de base. 33
  34. 34. Avantages de l'algorithme Adaboost. 2. Facile à mettre en œuvre. 34
  35. 35. Avantages de l'algorithme Adaboost. 3. La durée de la construction des compositions est presque entièrement déterminé par les algorithmes d'apprentissage de base. 35
  36. 36. Avantages de l'algorithme Adaboost. 4. Capable d'identifier les objets qui sont des émissions de bruit. 36
  37. 37. Inconvénients de l'algorithme Adaboost. 1. AdaBoost a tendance à surapprentissage quand il y a un bruit important dans les données. 37
  38. 38. Inconvénients de l'algorithme Adaboost. 2. AdaBoost nécessite un échantillon d’apprentissage suffisamment long. 38
  39. 39. Inconvénients de l'algorithme Adaboost. 3. La stratégie d’ajouter un grand nombre de classificateurs conduits à la construction d'un ensemble non optimal de la base des algorithmes. 39
  40. 40. Inconvénients de l'algorithme Adaboost. 4. Boosting peut conduire à la construction des compositions volumineux, constitué de centaines d'algorithmes. 40
  41. 41. Fig.9 Algorithme AdaBoost 41
  42. 42. Fig.9 Exemple de fonction de l’Algorithme AdaBoost 42
  43. 43. Fig. 8 Caractéristiques d’Haar 43
  44. 44. Dans l'approche « Boosting » classique, une recherche exhaustive est utilisée pour trouver le meilleur classificateur faible. Par conséquent, avec un énorme ensemble de caractéristiques, cette approche devient impossible de calculer. 44
  45. 45. Le « evolutionary weak learner » minimise le poids d'erreur de l’Adaboost : (1) Où: X = {(xi, yi)|i = 1 : m} sont les paires d'échantillons-étiquette composées de l’ensemble d’apprentissage W = {w1,w2, ...,wm} est la distribution de poids Adaboost sur l'ensemble d'apprentissages h (xi) correspond à l'étiquette prédite par l'hypothèse h pour le xi objet d’apprentissage 45
  46. 46. Les approches classiques basées sur la descente de gradient ne peuvent pas être appliquées sur ce problème. Une autre solution est l'utilisation d'une approche évolutive. 46
  47. 47. La stratégie évolutive plus connu est l'algorithme génétique, qui fait une recherche sur les espaces de solutions utilisant les trois concepts de base de la théorie de Darwin: 1. mutation 2. cross-over 3. sélection naturelle. 47
  48. 48. L'algorithme évolutionnaire remplace la recherche exhaustive sur toutes les caractéristiques de sorte que même de très grands ensembles de caractéristiques peuvent être recherchés dans un délai raisonnable. L'utilisation d’algorithmes évolutionnaires dans le domaine du traitement de l'image, en particulier l'apprentissage automatique des caractéristiques de détection d'objet, est un domaine de recherche qui reçoit un intérêt croissant.!!! 48
  49. 49. Fig.10 Algorithme évolutive 49
  50. 50. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 50
  51. 51. Lorsqu’on travaille avec des algorithmes évolutionnaires, nous devons définir deux éléments de base: les individus et la fonction d'évaluation. 51
  52. 52. La fonction d'évaluation (2) où I est un individu 52
  53. 53. L'étape suivante est de déterminer les paramètres qui sont nécessaires pour définir h, ou en d'autres termes, pour décider la dimension de I. 53
  54. 54. La définition de l'apprenant faible « Weak Learner » est constitué d'une caractéristique et une valeur de seuil(threshold). La fonction peut être paramétré par la position en haut à gauche, et la taille de l'une des régions et leur type. 54
  55. 55. La taille, le poids, et la position des autres régions qui sont conformes à la fonction Haar- like sont fixées par le type de caractéristique. Fig.9 La définition des caractéristiques de Haar à partir d'une région donnée et du type de valeur. 55
  56. 56. On définit un classificateur faible sur la base du dissocié dipôle que h(I,Thr,xi)->{-1, 1} où I=(Rex,Rey,Rew,Reh,Rix,Riy,Piw,Rih) Re étant le dipôle excitateur et le paramètre de type T est changé par les paramètres du dipôle inhibiteur Ri. Les dipôles dissociés ne sont pas affectés par l'échelle étant donné que la valeur moyenne est utilisée au lieu de la somme. 56
  57. 57. Cette approche présente deux avantages principaux: la normalisation de l'éclairement n’est pas nécessaire et l'élimination du processus d'apprentissage par seuil(threshold) réduit le temps d'évaluation. 57
  58. 58. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 58
  59. 59. L'approche finale est résumée dans l'algorithme évolutionnaire Adaboost montré dans l'algorithme 1. Cet algorithme est utilisé pour apprendre toutes les étapes de la cascade de détection. Cet algorithme utilise itérativement un algorithme génétique pour minimiser l'erreur pondérée et pour instancier les paramètres d'un nouveau classificateur faible qui est ajouté à l'ensemble final. 59
  60. 60. Algorithme 1: 60
  61. 61. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 61
  62. 62. Une fois un objet trouvé, nous devons le classer parmi un grand nombre de classes. En ce sens, ECOCs représentent une technique de classification qui permet la combinaison des classificateurs de base pour résoudre le problème multi-classes. 62
  63. 63. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 63
  64. 64. La conception d'un ECOC est basée sur un codage et une stratégie de décodage, où le codage à pour objectif d’assigner un codeword à chacune des classes Nc (jusqu'à mots de code Nc), et le décodage vise à attribuer une étiquette de classe à un nouveau test de codeword . Codeword - est une séquence de bits qui représente une classe. 64
  65. 65. Fig.10 « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC classification », page 4, [1] Les distances communes à décoder sont la Hamming et les distances euclidiennes 65
  66. 66. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 66
  67. 67. fait en sorte que la séparation de codeword optimal est sacrifiée en faveur d'une amélioration de la discrimination de classe dans les partitions. La création de l'ensemble de séparation hiérarchique est effectuée en utilisant un arbre binaire. En conséquence, une matrice compacte à haut pouvoir de discrimination est obtenue. 67
  68. 68. Algorithme 2. Entraînement de Forest-ECOC 68
  69. 69. Fig.11 « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC classification », page 5, [1] 69
  70. 70. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 70
  71. 71. Fig.12 « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC classification », page 5, [1] 71
  72. 72. Le système de cartographie mobile possède une paire stéréo de caméras calibrées, qui sont synchronisés avec un système GPS. Par conséquent, le résultat de l'étape d'acquisition est un ensemble de couples stéréoscopiques d'images avec leur position et de l'information d'orientation. 72
  73. 73. Fig.13 « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC classification », page 7, [1] 73
  74. 74. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 74
  75. 75. Les auteurs ont exécuté le processus d'apprentissage au cours du même entraînement et test 50 fois, en utilisant 50 itérations de l'Adaboost évolutive. Dans le cas de l'algorithme génétique, ils ont calculé la valeur d'erreur moyenne sur tous les tours pour chaque itération. 75
  76. 76. Fig.14 « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC classification », page 7, [1] 76
  77. 77. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 77
  78. 78. Les auteurs ont présenté une méthode de calcul faisable pour la sélection de caractéristiques basée sur une stratégie évolutive. Depuis la recherche exhaustive sur toutes les combinaisons entre caractéristiques et le seuil(threshold) sont remplacées par l'approche évolutionniste et caractéristiques ordinales. L'approche finale a deux avantages principaux: 1. Elle accélère le processus d'apprentissage et permet de travailler avec de grands ensembles de caractéristiques et de distinguer entre l'objet et le plan-arrière, dont le calcul est impossible en utilisant les méthodes traditionnelles en raison du nombre énorme de caractéristiques. 2. Elle propose la stratégie de classification Forest-CEC pour résoudre le problème de la catégorisation multi- classes. 78
  79. 79. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 79
  80. 80. [1] « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC classification », Xavier Baro, Sergio Escalera et al., Intelligent Transportation Systems, IEEE Transactions on (Volume:10 , Issue: 1 ), pages: 113-126, March 2009; URL: http://www.maia.ub.es/~sergio/files/Transport09.pdf [2] « Combining Adaboost Learning and Evolutionary Search to select Features for Real-Time Object Detection », Andre Treptow and Andreas Zell, Evolutionary Computation, 2004. CEC2004. Congress on (Volume:2 ), pages: 2107-2113, June 2004; URL: http://u-173-c140.cs.uni-tuebingen.de/mitarb/treptow/publications/treptow04-cec.pdf [3] « An Extended Set of Haar-like Features for Rapid Object Detection», R. Lienhart and J. Maydt, Proc. of IEEE Conf. Image Processing, pages: 155–162, 2002; URL: http://www.lienhart.de/Prof._Dr._Rainer_Lienhart/Source_Code_files/ICIP2002.pdf [4] « Circulation et Signalisation routière reconnaissance », Hasan Fleyeh, July 2008; URL: http://www.diva-portal.org/smash/get/diva2:523372/FULLTEXT01.pdf [5] « Dissociated Dipoles: Image Representation via Non-local Comparisons », Benjamin J.Balas et Pawan Sinha, Massachusetts Institute of Technology — Artificial Intelligence laboratory, August 2003 URL: http://dspace.mit.edu/bitstream/handle/1721.1/7276/AIM-2003-018.pdf?sequence=2 [6] « Explaining AdaBoost », Robert E. Schapire, In Bernhard Schölkopf, Zhiyuan Luo, Vladimir Vovk, editors, Empirical Inference: Festschrift in Honor of Vladimir N. Vapnik, Springer, 2013 URL: https://www.cs.princeton.edu/~schapire/papers/explaining-adaboost.pdf [7] La présentation « AdaBoost » de Jan Sochman, Jiri Matas, Center for Machine Perception Czech Technical University, Prague URL: http://cmp.felk.cvut.cz/~sochmj1/adaboost_talk.pdf 80
  81. 81. 81

×