SwiDeN : Réseaux Neuronaux Convolutifs Pour la Reconnaissance d'Objets Invariante à la Représentation

Les architectures d'identification d'objets les plus récentes atteignent des performances impressionnantes mais sont généralement spécialisées pour un seul style de représentation visuelle (par exemple, uniquement des photos, uniquement des croquis). Dans cet article, nous présentons SwiDeN : notre architecture de Réseau de Neurones Convolutifs (CNN) qui reconnaît les objets indépendamment de leur mode de représentation visuelle (dessin au trait, dessin réaliste ombragé, photographie, etc.). Dans SwiDeN, nous utilisons un nouveau mécanisme de commutation basé sur le style de représentation visuelle profonde qui aborde adéquatement les aspects spécifiques à la représentation et invariants par rapport à la représentation du problème. Nous comparons SwiDeN avec des architectures alternatives et des travaux antérieurs sur un ensemble de données Photo-Art contenant 50 catégories d'objets représentés dans plusieurs styles. Les résultats expérimentaux montrent que SwiDeN surpasse les autres approches pour le problème d'identification d'objets invariant par rapport à la représentation.