Détection de petites cibles par apprentissage profond et critère a contrario Alina C IOCARLAN1 Sylvie L EHEGARAT -MASCLE2 Sidonie L EFEBVRE1 Clara B ARBANSON3

2025-04-27 0 0 355.75KB 4 页 10玖币

侵权投诉

Détection de petites cibles par apprentissage profond et critère a

contrario

Alina CIOCARLAN1, Sylvie LEHEGARAT-MASCLE2, Sidonie LEFEBVRE1, Clara BARBANSON3

1DOTA, ONERA, Université Paris-Saclay, F-91123 Palaiseau, France

2SATIE, Université Paris-Saclay, 91405 Orsay, France

3Safran Electronics &Defense, F-91344 Massy, France

alina.ciocarlan@onera.fr, sylvie.le-hegarat@universite-paris-saclay.fr

sidonie.lefebvre@onera.fr, clara.barbanson@safrangroup.com

Résumé – La détection de petites cibles est une problématique délicate mais essentielle dans le domaine de la défense, notamment lorsqu’il

s’agit de différencier ces cibles d’un fond bruité ou texturé, ou lorsqu’elles sont de faible contraste. Pour mieux prendre en compte les informa-

tions contextuelles, nous proposons d’explorer différentes approches de segmentation par apprentissage profond, dont certaines basées sur les

mécanismes d’attention. Nous proposons également d’inclure un module d’attention par canal au TransUnet, réseau à l’état de l’art, ce qui permet

d’améliorer signiﬁcativement les performances. Par ailleurs, le manque de données annotées induit une perte en précision lors des détections,

conduisant à de nombreuses fausses alarmes non pertinentes. Nous explorons donc des méthodes a contrario aﬁn de sélectionner les cibles les

plus signiﬁcatives détectées par un réseau entraîné avec peu de données.

Abstract – Small target detection is an essential yet challenging task in defense applications, since differentiating low-contrast targets from

natural textured and noisy environment remains difﬁcult. To better take into account the contextual information, we propose to explore deep

learning approaches based on attention mechanisms. Speciﬁcally, we propose a customized version of TransUnet including channel attention,

which has shown a signiﬁcant improvement in performance. Moreover, the lack of annotated data induces weak detection precision, leading to

many false alarms. We thus explore a contrario methods in order to select meaningful potential targets detected by a weak deep learning training.

1 Introduction

La détection de petites cibles est un grand déﬁ en vision par

ordinateur, principalement du fait de la petite taille des cibles

et de leur environnement bruité qui peut conduire à de nom-

breuses fausses alarmes. Quelques méthodes d’apprentissage

profond ont été étudiées dans des travaux antérieurs : elles sont

basées sur des réseaux de neurones convolutifs (CNN) [1] et in-

cluent parfois des mécanismes d’attention [2]. L’un des avan-

tages de ces derniers est qu’ils modélisent mieux les dépen-

dances à grande échelle comparés aux CNNs. Cette propriété

est un atout pour la détection de cibles, celles-ci ne présen-

tant pas de structure spéciﬁque. Partant de cette observation, [3]

utilise une version améliorée de U-Net qui inclut un encodeur

Transformer (ViT) en plus de l’encodeur convolutif classique,

ce qui conduit à des résultats très compétitifs.

Une autre difﬁculté de cette application est le manque de

données annotées pour entrainer le détecteur, ce qui résulte

en une détection comportant beaucoup de fausses alarmes. En

effet, le réseau de neurones n’a pas sufﬁsamment d’exemples

pour apprendre à extraire les bonnes caractéristiques. Pour au-

tant, en observant la carte des scores donnée en sortie du réseau,

les cibles y apparaissent comme étant noyées dans du bruit. Ce

bruit, bien que moins signiﬁcatif perceptuellement, est détecté

comme cible du fait de sa forte valeur pixellique. Cela est dû

au seuil ﬁxe appliqué en sortie du détecteur pour effectuer la

détection, qui ne permet pas de prendre en compte certains cri-

tères de perception comme la forme ou la densité induite par

les niveaux de gris (cf. Figure 1 colonne 2). Pour pallier cela,

nous proposons d’explorer l’intérêt d’un critère a contrario ap-

pliqué sur la carte des scores obtenue en sortie du détecteur aﬁn

de sélectionner les détections les plus signiﬁcatives au sens du

Nombre de Fausses Alarmes (NFA, déﬁni dans le paragraphe

2). La méthode proposée permet de considérer aussi bien des

caractéristiques de niveaux de gris que des éléments de struc-

turation spatiale tels que la densité ou la forme des nuages de

points représentant des cibles potentielles.

Après avoir présenté les concepts clés ainsi que l’état de l’art

associé, nous décrirons une méthode de ﬁltrage a contrario de

la carte des scores obtenue en sortie de réseaux neuronaux, dont

nous analyserons l’intérêt en dernière partie.

2 Déﬁnitions et travaux connexes

Méthodes a contrario Les méthodes de détection a contra-

rio s’inspirent des théories de la perception, en particulier celle

de Gestalt [4]. Elles reposent sur le principe d’Helmoltz qui

stipule qu’une grande déviation d’un modèle aléatoire est pro-

bablement dûe à la présence d’une structure. Les méthodes a

arXiv:2210.00755v1 [cs.CV] 3 Oct 2022

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

10 玖币 0人已下载

立即下载

摘要：

DétectiondepetitesciblesparapprentissageprofondetcritèreacontrarioAlinaCIOCARLAN1,SylvieLEHEGARAT-MASCLE2,SidonieLEFEBVRE1,ClaraBARBANSON31DOTA,ONERA,UniversitéParis-Saclay,F-91123Palaiseau,France2SATIE,UniversitéParis-Saclay,91405Orsay,France3SafranElectronics&Defense,F-91344Massy,Francealina.cioca...

展开>> 收起<<

Détection de petites cibles par apprentissage profond et critère a contrario Alina C IOCARLAN1 Sylvie L EHEGARAT -MASCLE2 Sidonie L EFEBVRE1 Clara B ARBANSON3.pdf

共4页,预览1页

还剩页未读，继续阅读

声明：本站为文档C2C交易模式，即用户上传的文档直接被用户下载，本站只是中间服务平台，本站所有文档下载所得的收益归上传人(含作者)所有。玖贝云文库仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对上载内容本身不做任何修改或编辑。若文档所含内容侵犯了您的版权或隐私，请立即通知玖贝云文库，我们立即给予删除！

Détection de petites cibles par apprentissage profond et critère a contrario Alina C IOCARLAN1 Sylvie L EHEGARAT -MASCLE2 Sidonie L EFEBVRE1 Clara B ARBANSON3

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

热门标签

举报选择: