Segmentation sémantique profonde par régression sur cartes de distances signées

Nicolas Audebert 1, 2 Alexandre Boulch 2 Bertrand Le Saux 2 Sébastien Lefèvre 1
1 OBELIX - Environment observation with complex imagery
UBS - Université de Bretagne Sud, IRISA-D5 - SIGNAUX ET IMAGES NUMÉRIQUES, ROBOTIQUE
2 DTIS, ONERA, Université Paris Saclay (F-91123 Palaiseau - France) - DTIS, ONERA, Université Paris Saclay
Résumé : La compréhension de scène est une tâche visuelle reposant à l'heure actuelle sur une segmentation sémantique des images, obtenue par des réseaux profonds entièrement convolutifs. Toutefois, la nature convolutive de ces réseaux rend les frontières imprécises et les formes mal segmentées, alimentant un besoin croissant en régularisation a posteriori. Nous proposons ici de reformuler la tâche de segmentation sémantique en termes de régression de cartes de distance. Nous montrons qu'une telle formulation permet d'entraîner des réseaux convolutifs multi-tâches dont les segmentations générées sont plus régulières qu'avec les méthodes usuelles basées directement sur une classification dense.
Mots-clés : Segmentation sémantique cartes de distance apprentissage profond
Type de document :
Communication dans un congrès
Reconnaissance des Formes, Image, Apprentissage et Perception (RFIAP), Jun 2018, Marne-la-Vallée, France
Liste complète des métadonnées

Littérature citée [37 références]  Voir  Masquer  Télécharger
https://hal.archives-ouvertes.fr/hal-01809991
Contributeur : Nicolas Audebert <>
Soumis le : jeudi 7 juin 2018 - 13:12:35
Dernière modification le : vendredi 16 novembre 2018 - 01:40:52
Document(s) archivé(s) le : samedi 8 septembre 2018 - 13:26:33

Fichier

article-rfiap-apprentissage.pd...
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01809991, version 1

Collections

CENTRALESUPELEC | IRISA | IRISA_UBS | INRIA | UNIV-RENNES | UBS | UNIV-PARIS-SACLAY | UR1-UFR-ISTIC | ONERA

Citation

Nicolas Audebert, Alexandre Boulch, Bertrand Le Saux, Sébastien Lefèvre. Segmentation sémantique profonde par régression sur cartes de distances signées. Reconnaissance des Formes, Image, Apprentissage et Perception (RFIAP), Jun 2018, Marne-la-Vallée, France. 〈hal-01809991〉

Exporter

BibTeX TEI DC DCterms EndNote

Partager

Métriques

Consultations de la notice

403

Téléchargements de fichiers

277

Contact

support.ccsd.cnrs.fr
hal.support@ccsd.cnrs.fr
Logo CCSD