Sur la sécurité des usagers vulnérables de la route par détection de l'orientation des cyclistes à l'aide de l'apprentissage profond

Dans cette étude, la détection d'orientation à l'aide de l'apprentissage profond (Deep Learning) est reconnue pour une catégorie particulièrement vulnérable d'utilisateurs de la route, les cyclistes. Connaître l'orientation des cyclistes est d'une grande pertinence car elle fournit une bonne indication de leur trajectoire future, ce qui est crucial pour éviter les accidents dans le cadre des systèmes de transport intelligents. En utilisant le transfert d'apprentissage (Transfer Learning) avec des modèles pré-entraînés et TensorFlow, nous présentons une comparaison des performances entre les principaux algorithmes rapportés dans la littérature pour la détection d'objets, tels que SSD, Faster R-CNN et R-FCN, ainsi que les extracteurs de caractéristiques MobilenetV2, InceptionV2, ResNet50 et ResNet101. De plus, nous proposons une détection multiclasses avec huit classes différentes selon les orientations. Pour ce faire, nous introduisons un nouveau jeu de données appelé "Detect-Bike", contenant 20 229 instances de cyclistes sur 11 103 images, qui a été étiqueté en fonction de l'orientation du cycliste. Ensuite, les mêmes méthodes d'apprentissage profond utilisées pour la détection sont formées pour déterminer la direction du mouvement cible. Nos résultats expérimentaux et notre évaluation approfondie ont montré des performances satisfaisantes de toutes les méthodes étudiées pour la détection des cyclistes et de leur orientation, notamment l'utilisation de Faster R-CNN avec ResNet50 s'est avérée précise mais considérablement plus lente. Parallèlement, SSD utilisant InceptionV2 a offert un bon compromis entre précision et temps d'exécution, et est préféré pour les applications embarquées en temps réel.