Détection d'objet: Avancées, applications et algorithmes

Par Fouad Sabry

Qu'est-ce que la détection d'objets

Le domaine de la technologie informatique connu sous le nom de détection d'objets est étroitement associé à la vision par ordinateur et au traitement d'images. Son objectif principal est d'identifier des instances d'objets sémantiques appartenant à une classe spécifique au sein d'images et de vidéos numériques. Dans le domaine de la détection d’objets, la détection de visages et la détection de piétons sont deux domaines qui ont fait l’objet d’une grande attention. La détection d'objets est utile dans une grande variété d'applications de vision par ordinateur, notamment la récupération d'images et la vidéosurveillance, entre autres.

Comment vous en bénéficierez

(I ) Informations et validations sur les sujets suivants :

Chapitre 1 : Détection d'objets

Chapitre 2 : Vision par ordinateur

Chapitre 3 : Segmentation d'images

Chapitre 4 : Correspondance de modèles

Chapitre 5 : Reconnaissance optique du braille

Chapitre 6 : Apprentissage profond

Chapitre 7 : Réseau neuronal convolutif

Chapitre 8 : DeepDream

Chapitre 9 : Carte de saillance

Chapitre 10 : Détection de petits objets

(II) Répondre aux principales questions du public sur la détection d'objets .

(III) Exemples concrets d'utilisation de la détection d'objets dans de nombreux domaines.

À qui s'adresse ce livre

Professionnels, étudiants de premier cycle et des cycles supérieurs, passionnés, amateurs et ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type de détection d'objets.

 

 

• Langue: Français
• Éditeur: Un Milliard De Personnes Informées [French]
• Date de sortie: 4 mai 2024

Aperçu du livre

Détection d'objets

Avancées, applications et algorithmes

Fouad Sabry est l'ancien responsable régional du développement commercial pour les applications chez Hewlett Packard pour l'Europe du Sud, le Moyen-Orient et l'Afrique. Fouad est titulaire d'un baccalauréat ès sciences des systèmes informatiques et du contrôle automatique, d'une double maîtrise, d'une maîtrise en administration des affaires et d'une maîtrise en gestion des technologies de l'information, de l'Université de Melbourne en Australie. Fouad a plus de 25 ans d'expérience dans les technologies de l'information et de la communication, travaillant dans des entreprises locales, régionales et internationales, telles que Vodafone et des machines professionnelles internationales. Actuellement, Fouad est un entrepreneur, auteur, futuriste, axé sur les technologies émergentes et les solutions industrielles, et fondateur de l'initiative One Billion Knowledge.

Un milliard de connaissances

Détection d'objets

Avancées, applications et algorithmes

Fouad Sabry

Copyright

Détection © d'objets 2024 par Fouad Sabry. Tous droits réservés.

Aucune partie de ce livre ne peut être reproduite sous quelque forme que ce soit ou par quelque moyen électronique ou mécanique que ce soit, y compris les systèmes de stockage et de récupération d'informations, sans l'autorisation écrite de l'auteur. La seule exception est celle d'un critique, qui peut citer de courts extraits dans une critique.

Couverture dessinée par Fouad Sabry.

Bien que toutes les précautions aient été prises dans la préparation de ce livre, les auteurs et les éditeurs n'assument aucune responsabilité pour les erreurs ou omissions, ou pour les dommages résultant de l'utilisation des informations contenues dans le présent document.

Table des matières

Chapitre 1 : Détection d'objets

Chapitre 2 : Vision par ordinateur

Chapitre 3 : Segmentation d'images

Chapitre 4 : Mise en correspondance des modèles

Chapitre 5 : Reconnaissance optique du braille

Chapitre 6 : Apprentissage profond

Chapitre 7 : Réseau de neurones convolutifs

Chapitre 8 : DeepDream

Chapitre 9 : Carte de saillance

Chapitre 10 : Détection de petits objets

Appendice

À propos de l'auteur

Chapitre 1 : Détection d'objets

La détection d'objets est un sous-domaine de la vision par ordinateur et du traitement d'images qui cherche à identifier des sujets reconnaissables dans des images et des vidéos numériques en fonction de leurs caractéristiques. La reconnaissance faciale et le comptage de personnes sont deux exemples de sous-domaines de détection d'objets bien étudiés. Les applications de la détection d'objets dans la vision par ordinateur vont de la récupération d'images à la surveillance.

Les applications courantes dans le domaine de la vision par ordinateur comprennent l'annotation d'images, la détection de visages, la reconnaissance de visages et la co-segmentation d'objets dans des vidéos. Il est également utilisé pour suivre des choses comme le ballon dans un match de football, la batte de cricket dans un match de cricket ou une personne dans un jeu vidéo.

La tâche de détection d'objets est généralement rendue beaucoup plus difficile en raison de l'échantillonnage des images de test à partir d'une distribution de données différente. Étant donné que les étiquettes ne nécessitent aucune intervention humaine, la détection d'objets inter-domaines est utilisée dans de nombreux contextes différents, y compris la conduite autonome.

Les classes d'objets peuvent être distinguées les unes des autres par des caractéristiques communes ; Par exemple, tous les cercles partagent la propriété d'être sphériques. Les caractéristiques uniques sont utilisées pour déterminer la classe d'un objet. Dans le cas des cercles, par exemple, nous recherchons des objets qui sont dans un certain rayon à partir d'un point donné. La même logique s'applique à la recherche de carrés, qui nécessite des objets avec des coins perpendiculaires et des côtés de longueur égale. Les traits du visage tels que les yeux, le nez et les lèvres, ainsi que les traits non anatomiques comme la couleur de la peau et la distance entre les yeux, sont utilisés de la même manière pour l'identification du visage.

Les méthodes de détection d'objets peuvent être classées comme étant basées sur un réseau neuronal ou non neuronales. Afin de classer les données sans recourir à des réseaux de neurones, il est nécessaire de définir d'abord des caractéristiques avec l'une des approches suivantes. Cependant, les techniques neuronales, généralement basées sur des réseaux de neurones convolutifs, peuvent effectuer une détection d'objets de bout en bout sans nécessiter la définition de caractéristiques (CNN).

L'utilisation de méthodes non neuronales :

Reconnaissance d'objets à l'aide du framework Viola-Jones avec les fonctionnalités de Haar

Transformer pour les entités invariantes d'échelle (SIFT)

Caractéristiques de l'histogramme à gradient orienté (HOG)

Méthodes basées sur les réseaux de neurones :

Propositions par région (R-CNN,)

Un détecteur individuel multi-boîtes (SSD)

Quand vous le voyez, vous savez (YOLO)

Un réseau de neurones avec un réglage fin unique pour l'identification d'objets (RefineDet)

Retina-Net

Réseaux convolutifs déformables

{Fin du chapitre 1}

Chapitre 2 : Vision par ordinateur

L'étude de la façon dont les ordinateurs peuvent tirer des connaissances de haut niveau à partir d'images ou de vidéos numériques est au centre du domaine scientifique multidisciplinaire de la vision par ordinateur. D'un point de vue technologique, il étudie et tente d'automatiser les activités qui sont dans les capacités du système visuel humain.

Les tâches associées à la vision par ordinateur comprennent des techniques d'obtention, de traitement, d'analyse et de compréhension d'images numériques, ainsi que l'extraction de données de grande dimension de l'environnement physique afin de créer des informations numériques ou symboliques, telles que des jugements.

La vision par ordinateur est un sous-domaine de l'informatique qui étudie les fondements théoriques des systèmes artificiels conçus pour dériver des informations à partir d'images. Les données visuelles peuvent être présentées dans une variété de formats, y compris des séquences vidéo, des images obtenues à partir de plusieurs caméras, des données multidimensionnelles obtenues à partir d'un scanner 3D ou d'un équipement de numérisation médicale, etc. L'objectif du domaine technique connu sous le nom de vision par ordinateur est de mettre en œuvre les idées et les modèles qu'il a développés dans le processus de construction de systèmes de vision par ordinateur.

Les domaines de la reconstruction de scène, de la détection d'objets, de la détection d'événements, du suivi vidéo, de la reconnaissance d'objets, de l'estimation de poses 3D, de l'apprentissage, de l'indexation, de l'estimation de mouvement, de l'asservissement visuel, de la modélisation de scènes 3D et de la restauration d'images sont tous des sous-domaines de la vision par ordinateur. D'autres sous-domaines de la vision par ordinateur incluent la modélisation de scènes 3D.

La vision par ordinateur est une étude multidisciplinaire qui examine comment les ordinateurs peuvent être programmés pour extraire des connaissances de haut niveau à partir d'images ou de films numériques. Ce domaine se concentre sur la façon dont les ordinateurs peuvent apprendre à comprendre ce qui leur est montré. Du point de vue de l'ingénierie, l'objectif est de trouver des moyens d'automatiser des opérations qui peuvent déjà être effectuées par le système visuel humain. La vision par ordinateur est un domaine d'étude dans le domaine des technologies de l'information qui se concentre sur l'application des théories et des modèles existants au processus de construction de systèmes de vision par ordinateur.

À la fin des années 1960, les collèges à la pointe de l'intelligence artificielle ont été les premiers à expérimenter la vision par ordinateur. Son but était de fonctionner d'une manière similaire à celle du système visuel humain, dans le but ultime d'imprégner les robots d'un comportement intelligent. Dans les années 1990, plusieurs des zones d'étude qui avaient été étudiées auparavant sont devenues plus actives que les autres. L'étude des reconstructions projectives tridimensionnelles a permis de mieux comprendre comment calibrer une caméra. Il est devenu clair, avec l'introduction des techniques d'optimisation pour l'étalonnage des caméras, qu'un nombre important de concepts avaient déjà été étudiés par la discipline de la théorie de l'ajustement des faisceaux de la photogrammétrie. C'est ce qui est apparu à la suite de ce développement. Cela a abouti au développement de techniques permettant de faire des reconstructions tridimensionnelles éparses de scènes à l'aide de plusieurs photographies. Le problème de la correspondance stéréo dense et le développement d'autres approches stéréo à vues multiples ont connu un certain degré de mouvement vers l'avant. Simultanément, de nombreuses variantes de la coupe de graphe ont été utilisées afin de résoudre le problème de segmentation de l'image. Cette décennie est d'autant plus importante que c'est la première fois que des méthodes d'apprentissage statistique sont utilisées dans la pratique pour reconnaître les visages sur les photographies (voir Eigenface). Les domaines de l'infographie et de la vision par ordinateur sont devenus plus étroitement liés ces dernières années, ce qui a conduit à une forte augmentation de la collaboration entre les deux. Il s'agissait des premières formes de rendu en champ lumineux, d'assemblage d'images panoramiques, de morphing d'images, d'interpolation de vues et de rendu basé sur l'image. Le domaine de la vision par ordinateur a connu un nouveau souffle grâce au développement d'algorithmes basés sur l'apprentissage profond. La précision des algorithmes d'apprentissage profond sur de nombreux ensembles de données de vision par ordinateur de référence pour des tâches allant de la classification au flux optique a dépassé celle des approches précédentes. Ces tâches comprennent la segmentation des images et le flux optique.

La vision par ordinateur à semi-conducteurs est fortement liée à un certain nombre d'autres disciplines, y compris la physique. La grande majorité des systèmes de vision par ordinateur sont basés sur des capteurs d'image, qui sont des appareils capables de détecter les rayonnements électromagnétiques. Ce rayonnement se manifeste généralement sous forme de lumière visible ou infrarouge. La physique quantique a été utilisée dans le développement des capteurs. La discipline scientifique de la physique fournit une explication de la méthode par laquelle la lumière interagit avec les surfaces. Le comportement de l'optique, qui est une composante fondamentale de la