Projet de Jérôme Bohard Dans ce projet IA, Jérôme nous présente le domaine de l'imagerie. Il ensuite une banque d'images de l'ESA pour repérer les bateaux sur des images satellites.

1. Airbus Ship Detection
Challenge
Find ships on satellite images
Jérôme BOHARD

2. Aperçu

3. Le domaine de l’imagerie
Médicale
Voitures autonomes
Photographie
Drones
Sécurité

4. Le domaine de l’imagerie
Une très grande quantité de données
Des enjeux hautement importants
Solution

5. Photos : ESA
Le domaine de l’imagerie
Satellitaire

6. Le domaine de l’imagerie
Photos : ESA

7. Airbus ship detection challenge
Problématique : Accroissement du nombre de navires en activité.
But : Faciliter la surveillance à partir des images satellites.
Données :
∙ Images préparées ;
∙ Entraînement, validation et test.
Résultat attendu :
∙ Localisation du bateau ;
∙ Masque du bateau.

8. Airbus ship detection challenge
Algorithme pré-entraîner sur des bases de données différentes :
COCO, IMAGENET.
Mask R-CNN à entraîner sur notre application spécifique.
Déroulé des étapes :
∙ Création des masques pour l’apprentissage ;
∙ Modification de l’algorithme ;
∙ Apprentissage ;
∙ Tests.

9. Mise en application du Mask R-CNN
Solution :
Segmentation des
différents éléments
Mask R-CNN
Source : https://engineering.matterport.com/splash-of-color-instance-segmentation-with-mask-r-cnn-and-tensorflow-7c761e238b46

10. Mise en application du Mask R-CNN
Source : https://medium.com/@jonathan_hui/image-segmentation-with-mask-r-cnn-ebe6d793272

11. Mise en application du Mask R-CNN
Photos : Airbus

12. Mise en application du Mask R-CNN
Modifications de l’algorithme et apprentissage :
∙ Fichier de poids COCO ;
∙ Suppression des classes.
Apprentissage :
∙ 50 images en entraînement ;
∙ 10 images en validation ;
∙ Entraînement de 11h ;
∙ Processeur : Intel® Core™ i7-4600U CPU @ 2.10GHz × 4.

13. Résultats
Photos : Airbus

14. Résultats
Photos : Airbus

15. Résultats
Photos : Airbus

16. Airbus Ship Detection
Challenge
Merci de votre attention !
Jérôme BOHARD