Kaddour Drizi, Hocine
(2022).
« Réseau neuronal convolutif avec données d'apprentissage augmentées pour détecter les obstacles dans les systèmes de pilotage de trains autonomes » Mémoire.
Montréal (Québec, Canada), Université du Québec à Montréal, Maîtrise en informatique.
Fichier(s) associé(s) à ce document :
Résumé
Ce travail décrit un système d’apprentissage automatique pour la détection d’obstacles dans les systèmes de pilotage de trains, autonomes et autres. Nous présentons une architecture de réseau de neurones à convolution (CNN) qui s’appuie sur des modèles pré-entraînés et étudions plusieurs modèles afin de définir le plus apte à accomplir la tâche désirée, notamment en relation avec la taille relativement faible des ensembles d’entraînement disponibles pour le CNN. La base d’images ferroviaires RailSem19 sert de référence initiale pour l’entraînement. Elle contient 8500 images de taille 1024 x 1024 prises dans un environnement ferroviaire et un fichier JSON décrit chaque image en identifiant les objets qu’elle contient et leurs dimensions. Pour pallier la taille relativement modeste de RailSem19, des techniques d’augmentation de données sont utilisées pour créer de nouvelles images et obtenir un ensemble d’images de taille suffisante pour l’entraînement efficace du CNN développé. Plusieurs techniques sont utilisées à cette fin dont l’inversion de sens des images, le déplacement d’obstacles, l’ajout de bruit et les modifications climatiques et de luminosité. Les expériences de validation avec plusieurs combinaisons de l’ensemble d’images initial et des images modifiées pour former des ensembles d’entraînement augmentés montrent que notre approche atteint un taux moyen de bonnes détections de 98.68%, avec une précision et un rappel excellents quand au biais et à la variance des détections.
_____________________________________________________________________________
MOTS-CLÉS DE L’AUTEUR : détection d’anomalies, CNN, Augmentation des données, détection automatique d’obstacles, systèmes de pilotage de trains.
| Type: |
Mémoire accepté
|
| Informations complémentaires: |
Fichier numérique reçu et enrichi en format PDF/A. |
|
Directeur de thèse: |
Boukadoum, Mounir |
| Mots-clés ou Sujets: |
Détection des anomalies / Réseaux de neurones convolutifs / Apprentissage automatique / Augmentation de données / Conduite automatique / Trains |
| Unité d'appartenance: |
Faculté des sciences > Département d'informatique |
| Déposé par: |
Service des bibliothèques
|
| Date de dépôt: |
30 nov. 2023 14:25 |
| Dernière modification: |
30 nov. 2023 14:25 |
| Adresse URL : |
http://archipel.uqam.ca/id/eprint/17197 |
RECHERCHER
PARCOURIR
LIBRE ACCÈS
