Minimisation du Temps de Réponse moyen d'une Cascade de Détection

La detection visuelle d'objets est importante dans de nombreux domaines d'application. L'objectif est de determiner la presence et la position de certains types d'objets dans une image. Les approches existantes realisent classiquement un echantillonnage de l'image en fenetres, chacune etant analysee pour determiner si elle contient l'objet recherche (echantillon positif) ou non (echantillon negatif). Cette approche induit un temps de traitement important parce qu'une image genere une grande quantite d'echantillons, surtout negatifs. Pour pallier ce probleme, des architectures de classification en cascade ont ete proposees dans lesquelles des classificateurs faibles sont utilises a chaque etage. Un echantillon classifie negatif a un niveau de la cascade est definitivement rejete (et ne traverse par les niveaux suivants). Les cascades construites avec la methode AdaBoost comptent parmi les plus performantes. AdaBoost est base sur un apprentissage supervise d'un modele de classification qui utilise une somme ponderee des resultats des classificateurs faibles. A chaque niveau de la cascade est associe un seuil de classification : si le score obtenu par un echantillon a un etage est superieur ou egale au seuil, ce dernier est classe positif, sinon il est negatif et rejete. Ces seuils sont choisis afin de respecter un taux de vrais positifs souhaite (TPR). La variante la plus recente de cascade est le modele soft-cascade sue lequel est base notre travail. La qualite d'une soft-cascade etant principalement mesuree en termes de TPR et de taux de faux positifs (FPR), les methodes d'apprentissage classiques ne prennent pas en compte explicitement leur temps de reponse, pourtant central dans des applications ou l'environnement est fortement dynamique. Dans ce travail, nous envisageons une technique de minimisation du temps de reponse qui consiste a optimiser les seuils de classification utilises a chaque etage de la cascade. Nous produisons trois contributions : (1) nous prouvons tout d'abord que determiner des seuils de classification qui minimise le temps de reponse d'une soft-cascade est NP-Difficile; (2) nous proposons ensuite des proprietes de dominance permettant de reduire de facon importante l'espace de recherche de solution; (3) exploitant ces proprietes, nous introduisons une formulation de programmation lineaire 0-1 originale pour resoudre ce probleme; (4) nous validons enfin la methode proposee de facon experimentale sur un basee de donnees de la litterature.