Classification ensembliste de vidéos de mouvements de foule

Mounir Bendali-Braham (1) , Jonathan Weber (1) , Germain Forestier (1) , Lhassane Idoumghar (1) , Pierre-Alain Muller (1)

1 IRIMAS - Institut de Recherche en Informatique Mathématiques Automatique Signal - IRIMAS - UR 7499

Les méthodes ensemblistes améliorent souvent les résultats dans des problèmes traités par des méthodes individuelles issues de l'apprentissage automatique. Partant de ce constat, nous appliquons la classification ensembliste aux vidéos de foule. Dans un premier temps, nous constituons des ensembles de modèles homogènes pour comparer leurs performances sur le jeu de données Crowd-11. Dans un second temps, nous évaluons toutes les combinaisons possibles de ces ensembles, et nous analysons la combinaison des ensembles qui obtient les meilleurs résultats.

Mots clés: Classification ensembliste; Apprentissage profond; Analyse de vidéos; Analyse de comportements de foule

Domaines: Informatique [cs]; Vision par ordinateur et reconnaissance de formes [cs.CV]

Mounir Bendali-Braham, Jonathan Weber, Germain Forestier, Lhassane Idoumghar, Pierre-Alain Muller. Classification ensembliste de vidéos de mouvements de foule. ORASIS 2021, Centre National de la Recherche Scientifique [CNRS], Sep 2021, Saint Ferréol, France. ⟨hal-03339627⟩