Modélisation statistique pour détecter des séquences vidéos similaires : application aux véhicules autonomes
Résumé
Dans la recherche sur les véhicules autonomes, l'un des freins est l'utilisation de GPS précis au centimètre près coûtant quelques dizaines de milliers d'euros. Pour contourner ce problème, il est proposé d'utiliser des caméras pour les véhicules effectuant un même trajet (comme les bus de ville par exemple). Dans ce cadre, nous sommes amenés à étudier la similarité entre des images de l'environnement prises à différents moments (Birem et al., 2014). Les données résumées issues de séquences vidéo réelles (Korrapati et al., 2013) se présentent sous forme de matrices dans lesquelles des lieux différenciés (e.g. ligne droite, intersection...) correspondent à des blocs relativement homogènes. Le but est de proposer une méthode automatique pour estimer les frontières de ces blocs.
Pour répondre à cette question, il existe des algorithmes développés pour l'analyse des données Hi-C issue de la biologie (Dixon et al., 2012) dont la problématique est similaire. En particulier, Brault et al. (2017) proposent une méthode fondée sur les statistiques de rang : la procédure consiste à rechercher des blocs dont les valeurs ont des rangs similaires. L'intérêt est que très peu d'hypothèses sont faites sur les lois des données et la segmentation est ainsi robuste.
L'objectif de cet exposé est de présenter l'intuition des méthodes de segmentations utilisées par Brault et al. (2017) en gardant comme trame de fond l'étude des résultats obtenus dans le cadre de données de séquences vidéos (Korrapati et Mezouar, 2014). Après une présentation du contexte et de la vidéo étudiée, nous expliquerons où se situent les difficultés et pourquoi la méthode exposée permet de répondre à ces dernières. Nous conclurons par la présentation de l'application shiny développée afin de mieux analyser les résultats.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...