MobileNet SSD : étude d'un détecteur d'objets embarquable entraîné sans images réelles

La detection d’objets en environnement industriel est un defi, d’une part a cause de l’absence d’images reelles pour l’apprentissage, et d’autre part a cause de la contrainte de temps reel requise pour l’algorithme, en general embarque dans un dispositif mobile. Grâce aux donnees de conception 3D, il est cependant possible de creer une base d’images synthetiques annotees automatiquement pour entrainer un reseau de neurones artificiel, moyennant une performance limitee par l’ecart de domaine avec la realite. Dans cet article, nous etudions la performance d’un reseau de neurones a convolutions (CNN) pour la detection d’objets en temps reel et avec une faible empreinte memoire : Single-Shot Detector (SSD), avec un reseau MobileNet comme extracteur de caracteristiques. Nous montrons qu’une strategie d’augmentation adequate permet d’entrainer SSD avec uniquement des images synthetiques photorealistes pour detecter des objets industriels dans des images reelles. En particulier, sur la base de donnees T-LESS, SSD obtient une meilleure performance qu’un reseau Mask R-CNN, avec MobileNet-V2 et MobileNet-V3 comme extracteur de caracteristiques. Nos resultats montrent une amelioration de la precision d’environ 10% obtenue grâce a l’augmentation des donnees. Le code et les modeles entraines seront disponibles en ligne.