Dériver une base de données d'images en une nouvelle version plus cohérente et équilibrée pour de l'apprentissage profond - LIRMM - Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier Access content directly
Conference Papers Year : 2022

Dériver une base de données d'images en une nouvelle version plus cohérente et équilibrée pour de l'apprentissage profond

Cyril Barrelet
Marc Chaumont
Gérard Subsol
Vincent Creuze

Abstract

La multiplication des bases de données accessibles publiquement permet de couvrir de nombreuses applications du monde réel. Cependant, certains domaines sont encore très peu explorés, et les bases de données correspondantes sont moins cohérentes et plus sujettes aux erreurs du fait de leur utilisation restreinte. De plus, certains biais peuvent améliorer artificiellement les performances d'un modèle de Deep Learning (DL). Par conséquent, l'évaluation d'un modèle DL nécessite une compréhension claire de la base de données et une méthodologie adaptée pour le comparer à d'autres. Enfin, un modèle reflète souvent la performance sur une base de données. Celle-ci peut se détériorer si un décalage existe entre la base de données initiale et une base de données applicative réelle. Cet article propose de visiter les problèmes ci-dessus en dérivant une version plus cohérente et équilibrée de la base de données vidéo TrashCan de déchets sous-marins.
Fichier principal
Vignette du fichier
GRETSI2022_BARRELET_CHAUMONT_SUBSOL_CREUZE_GOUTTEFARDE_BaseDeDonnee_UNO_FR.pdf (198.65 Ko) Télécharger le fichier
Origin Files produced by the author(s)

Dates and versions

lirmm-03815617 , version 1 (14-10-2022)

Identifiers

  • HAL Id : lirmm-03815617 , version 1

Cite

Cyril Barrelet, Marc Chaumont, Gérard Subsol, Vincent Creuze, Marc Gouttefarde. Dériver une base de données d'images en une nouvelle version plus cohérente et équilibrée pour de l'apprentissage profond. GRETSI 2022 - 28e Colloque Francophone de Traitement du Signal et des Images, Sep 2022, Nancy, France. ⟨lirmm-03815617⟩
40 View
29 Download

Share

Gmail Mastodon Facebook X LinkedIn More