Apprentissage profond pour la détection et la reconnaissance de panneaux de signalisation à grande échelle

La détection et la reconnaissance automatiques des panneaux de signalisation jouent un rôle crucial dans la gestion des inventaires de panneaux de signalisation. Elles offrent une méthode précise et à jour pour gérer ces inventaires avec un minimum d'effort humain. Dans la communauté de la vision par ordinateur, la reconnaissance et la détection des panneaux de signalisation sont des problèmes bien étudiés. La plupart des approches existantes fonctionnent efficacement sur les panneaux nécessaires aux systèmes d'assistance avancée à la conduite et aux systèmes autonomes. Cependant, cela représente un nombre relativement faible de tous les panneaux de signalisation (environ 50 catégories sur plusieurs centaines), et les performances sur l'ensemble restant des panneaux, qui sont nécessaires pour éliminer le travail manuel dans la gestion des inventaires de panneaux de signalisation, restent une question ouverte.Dans cet article, nous abordons le problème de la détection et de la reconnaissance d'un grand nombre de catégories de panneaux de signalisation adaptées à l'automatisation de la gestion des inventaires. Nous adoptons une approche basée sur les réseaux neuronaux convolutifs (CNN), plus précisément le Mask R-CNN, pour traiter l'ensemble du processus de détection et de reconnaissance avec un apprentissage automatique intégral, du début à la fin. Nous proposons plusieurs améliorations qui sont évaluées sur la détection des panneaux de signalisation et qui aboutissent à une performance globale améliorée. Cette approche est appliquée à la détection de 200 catégories de panneaux représentées dans notre nouveau jeu de données.Les résultats sont présentés pour des catégories très complexes de panneaux qui n'ont pas encore été prises en compte dans les travaux précédents. Nous fournissons une analyse exhaustive de la méthode d'apprentissage profond pour la détection des panneaux avec une grande variabilité d'apparence intra-catégorie et montrons que l'approche proposée atteint un taux d'erreur inférieur à 3%, ce qui est suffisant pour son déploiement dans les applications pratiques de gestion des inventaires de panneaux de signalisation.