ADOUCIR - Aide au diagnostic d’ouvrages par couplage d’images et radar | FEREC 2020

Aide au Diagnostic d’Ouvrages par Couplage d’Images et Radar Lauréat de l’appel à projets 2020 Fondation FEREC « Intelligence artificielle (IA) appliquée aux infrastructures en service » 9 / 23 La structure générale d’une architecture d’apprentissage profond est illustrée sur l a Figure 5 d ans laquelle l’image est entrée directement dans un algorithme. Celui-ci est constitué de deux parties. La première, composée d’un ensemble d’opérateurs mathématiques : filtres de convolution, redimensionnement de l’image ( pooling ) entre autres, permet d’extraire les caractéristiques utilisées par la suite. La deuxième partie est dédiée à la tâche à accomplir, dans ce cas-ci, il s’agit d’une classification de chiffres manuscrits dans une des 10 catégories de chiffres possibles. L’efficacité de ces techniques va dépendre du nombre et de la représentativité des échantillons pour l’apprentissage, des éléments que l’on souhaite reconnaître et de la complexité des images. La taille de la base d’apprentissage est un critère important pour obtenir de bonnes performances de classification et les méthodes d’apprentissage profond sont particulièrement gourmandes en nombre d’échantillons pour apprendre. Collecter des données représentatives n’est pas une tâche aisée, d’autant plus lorsque les éléments à classer sont par nature rares. De plus, annoter celles-ci, surtout au pixel près dans le cas de la segmentation, prend parfois beaucoup de temps. Des techniques d’augmentation artificielle de données, à partir de transformations géométriques et/ou photométriques des données réelles sont en général mises en œuvre pour l’apprentissage. Lorsque l’apprentissage est terminé, l’algorithme est testé sur une base de données non utilisée pour l’apprentissage. Cette étape permet de mesurer les performances de l’algorithme sur des images nouvelles et d’évaluer ainsi sa capacité de généralisation. 3.2.2 Architecture de classification avec données multi-modales Dans ce projet, nous voulons évaluer la faisabilité et l’intérêt d’une approche d’intelligence artificielle, axée sur la classification d’images et combinant images visibles et radar. Pour réaliser cela, nous nous appuyons sur le type d’architecture de classification présentée à la Figure 5 à la différence que l’apprentissage des caractéristiques est réalisée pour chaque modalité (image visible ou radar) parallèlement selon deux branches, comme le montre la Figure 6. Les caractéristiques extraites de chaque type d’images sont fusionnées (concaténation) de manière à former un vecteur de caractéristiques unique, présenté à l’algorithme de classification. Cet algorithme est détaillé dans [4]. Notons que dans l’approche que nous avons retenue l’algorithme de classification choisi est un perceptron multicouches Filtres de Convolution, pooling + autres opérateurs Vecteur de caractéristiques ? SAIN DESORDRE Classification Filtres de Convolution, pooling + autres opérateurs FUSION Apprentissage de caractéristiques Figure 6 : architecture en apprentissage profond pour la classification de données multi-modales