Classification des obstacles par la technique d'apprentissage profond

Abstract

L’industrie automobile en Europe et dans le monde a investi des ressources conséquentes (considérables) dans le développement de véhicules connectés et autonomes de la génération future. Les progrès réalisés dans le domaine de l'intelligence artificielle, en particulier des "réseaux de neurones profonds" (DNN), ont encouragé le développement et le déploiement des techniques de perception de l'environnement orientées vers l'automobile avec une bonne efficacité. Ce mémoire présente les travaux menés dans le cadre du domaine de la vision par ordinateur. Notre objectif est de classifier les différents obstacles détectés sur la trajectoire du véhicule, circulant en milieu urbain en traitant les images fournis par la caméra embarquée. Nous tenons à répondre à certaines exigences notamment : - Développer un système fonctionnant de façon indépendante et en temps réel pour être capable d’agir avant un éventuel impact. - Obtenir un système capable d’identifier les obstacles quel que soit la complexité de leurs formes et apparences. Mes travaux consistent à mettre en œuvre une méthode basée sur l’apprentissage profond qui permet de répondre à ces attentes. Le problème se traite en deux phases : dans un premier temps, une modélisation des objets est effectuée en faisant appel à une méthode de segmentation. Cette étape va nous permettre de détecter les objets avec une très grande précision quel que soit la complexité de leurs apparences. Dans un second temps nous avons eu recours à un réseau de neurones profond afin de répondre à la problématique de classification. Notre approche a été validée à travers différentes expérimentations sur des images et des séquences routières dans un milieu urbain.