Apprentissage hiérarchique simultané pour la détection efficace d'objets

Résumé : Dans cet article, nous présentons une nouvelle approche de détection multi-classes basée sur un parcours hiérarchique de classifieurs appris simultanément. Pour plus de robustesse et de rapidité, nous proposons d'utiliser un arbre de classes d'objets. Notre modèle de détection est appris en combinant les contraintes de tri et de classification dans un seul problème d'optimisation. Notre formulation convexe permet d'utiliser un algorithme de recherche pour accélérer le temps d'exécution. Nous avons mené des évaluations de notre algorithme sur les benchmarks PASCAL VOC (2007 et 2010). Comparé à l'approche un contre-tous, notre méthode améliore les performances pour 20 classes et gagne 10x en vitesse.
Type de document :
Communication dans un congrès
Reconnaissance de Formes et Intelligence Artificielle (RFIA) 2014, Jun 2014, France. 2014
Liste complète des métadonnées

Littérature citée [15 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-00989018
Contributeur : Sébastien Adam <>
Soumis le : vendredi 9 mai 2014 - 15:18:45
Dernière modification le : lundi 24 septembre 2018 - 11:34:03
Document(s) archivé(s) le : lundi 11 août 2014 - 15:10:44

Fichier

rfia2014_submission_103.pdf
Fichiers éditeurs autorisés sur une archive ouverte

Identifiants

  • HAL Id : hal-00989018, version 1

Citation

Hamidreza Odabai Fard, Mohamed Chaouch, Quoc-Cuong Pham, Antoine Vacavant, Thierry Chateau. Apprentissage hiérarchique simultané pour la détection efficace d'objets. Reconnaissance de Formes et Intelligence Artificielle (RFIA) 2014, Jun 2014, France. 2014. 〈hal-00989018〉

Partager

Métriques

Consultations de la notice

458

Téléchargements de fichiers

213