Al-Vt commited on
Enhance README with deep learning structure and methods
Browse filesAdded detailed steps for image preparation, model training, real-time detection, and segmentation techniques.
README.md
CHANGED
|
@@ -39,6 +39,43 @@ III. **Baseline** : (Vendredi)
|
|
| 39 |
- essayer d'entrainer un modèle sur ces données
|
| 40 |
|
| 41 |
# Structure deep learning - d'après les publications :
|
|
|
|
| 42 |
|
| 43 |
### Préparation des images
|
| 44 |
-
*
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 39 |
- essayer d'entrainer un modèle sur ces données
|
| 40 |
|
| 41 |
# Structure deep learning - d'après les publications :
|
| 42 |
+
https://www.mdpi.com/1424-8220/20/22/6442#Early_Fire_Detection_Systems
|
| 43 |
|
| 44 |
### Préparation des images
|
| 45 |
+
* redimensionner les images
|
| 46 |
+
* Augmenter les données (rotation, miroir, luminosité ...)
|
| 47 |
+
* split de la publication : Train test Val : 60-2à-20 ou 70-15-15
|
| 48 |
+
|
| 49 |
+
### Combiner images fixes et mouvement
|
| 50 |
+
* images statiques
|
| 51 |
+
* mouvement par "optical flow" : déplacement de pixel entre deux images fixes
|
| 52 |
+
* (différentes méthodes : " Lucas-kanade", "Pyramdal Lucas-Kanade", "Farneback"
|
| 53 |
+
* Ca donne une carte qui indique la vitesse et le déplacement des pixels
|
| 54 |
+
* sinon j'amagine que c'est quasi impossible de distinguer fumée / nuage
|
| 55 |
+
* concaténer les deux
|
| 56 |
+
* il faut qu'ils soient normalisés - échelle comparable -
|
| 57 |
+
* et redimensionner : trop de dimension > surapprentissage / nécessite plus de données (réduction dimensionalité potentiel)
|
| 58 |
+
* ça donne un gros vecteur final ui combine les deux ancien
|
| 59 |
+
* si problème de dimension avant : problème de dimension entre ces vecteurs
|
| 60 |
+
* la couche de sortie fournie la probabilité feu / non feu
|
| 61 |
+
|
| 62 |
+
### Entraîner 2 CNN, de façon hiérarchique
|
| 63 |
+
* 1er : Dit si feu ou non
|
| 64 |
+
* 2e : Sert à lovaliser le feu dans l'image
|
| 65 |
+
* superpixels : grand groupe pixel avec ses voisins
|
| 66 |
+
|
| 67 |
+
### Détection temps-réel
|
| 68 |
+
* Pour qu'il puisse détecter en temps réel il faut que ce soit léger
|
| 69 |
+
* MobileNet, SqueezeNet : architecture compressé
|
| 70 |
+
* cadence d'image (fps) limité, peut être directement embarqué dans caméra
|
| 71 |
+
* système adaptatif : si suspicion : activer caméra HD sinon flu basse résolution
|
| 72 |
+
|
| 73 |
+
### Segmentation par réseaux spécialisés
|
| 74 |
+
* un modèle type "FCN" ou Deeplabv3" : pas tout à fait compris
|
| 75 |
+
* comprends rien mais pour ça il va d'aord détecter les régions par Faster R-CNN
|
| 76 |
+
* ensuite il passe ces régions dans un LSTM pour "validation temporelle" (il prend tant de frames autour pour voir le mouvement et l'évoluion de la fumée)
|
| 77 |
+
|
| 78 |
+
### Amélioration
|
| 79 |
+
* training avec data augmentation
|
| 80 |
+
* validation croisée : diviser en k fold pour évaluer robestesse
|
| 81 |
+
|