Réseaux de Neurones Convolutionnels Invariants à la Rareté

Dans cet article, nous examinons les réseaux de neurones convolutifs fonctionnant sur des entrées clairsemées, avec une application à l'upsampling de profondeur à partir de données d'analyse laser clairsemées. Tout d'abord, nous montrons que les réseaux convolutifs traditionnels se comportent mal lorsqu'ils sont appliqués à des données clairsemées, même lorsque la position des données manquantes est fournie au réseau. Pour surmonter ce problème, nous proposons une couche de convolution clairsemée simple mais efficace qui prend explicitement en compte la position des données manquantes lors de l'opération de convolution. Nous démontrons les avantages de l'architecture de réseau proposée dans des expériences synthétiques et réelles par rapport à diverses approches de base. Comparé aux méthodes denses de référence, le réseau de convolution clairsemée proposé généralise bien à de nouveaux jeux de données et est invariant face au niveau de clairsemage des données. Pour notre évaluation, nous avons dérivé un nouveau jeu de données à partir du benchmark KITTI, comprenant 93 000 images RGB annotées en profondeur. Notre jeu de données permet d'entraîner et d'évaluer des techniques d'upsampling et de prédiction de profondeur dans des conditions réelles difficiles et sera rendu disponible à la publication.Note : - "Sparse" a été traduit par "clairsemé(e)" pour rester cohérent avec le vocabulaire utilisé en français dans le domaine des réseaux neuronaux.- "Laser scan data" a été traduit par "données d'analyse laser" pour maintenir la précision technique.- "Upsampling" a été traduit par "upsampling" car c'est un terme couramment utilisé en français dans ce contexte.- "Baseline approaches" a été traduit par "approches de base" pour conserver le sens académique.- "Benchmark KITTI" a été conservé tel quel car il s'agit d'un nom propre.