Fusion Multispectrale pour la Détection d'Objets avec des Blocs de Fusion et Affinement Cycliques

Les images multispectrales (par exemple, visibles et infrarouges) peuvent être particulièrement utiles lors de la détection d'objets du même modèle dans différents environnements (par exemple, des scènes extérieures de jour et de nuit). Pour utiliser efficacement les différents spectres, le principal problème technique réside dans le processus de fusion des informations. Dans cet article, nous proposons une nouvelle méthode de fusion de caractéristiques intermédiaire pour les réseaux neuronaux qui exploite l'équilibre complémentaire/cohérent existant dans les caractéristiques multispектrales en ajoutant à l'architecture du réseau un module particulier qui fusionne et affine cycliquement chaque caractéristique spectrale. Nous évaluons l'efficacité de notre méthode de fusion sur deux jeux de données multispектrales difficiles pour la détection d'objets. Nos résultats montrent que l'implémentation de notre module Cyclic Fuse-and-Refine dans n'importe quel réseau améliore les performances sur les deux jeux de données par rapport aux autres méthodes actuelles de détection d'objets multispектrales.Note: 在翻译中，“multispectral” 一词在法语中通常写作 “multispectrale”。为了保持一致性，我将所有出现的 “multispectral” 翻译为 “multispectrale”。修正后的翻译：Les images multispectrales (par exemple, visibles et infrarouges) peuvent être particulièrement utiles lors de la détection d'objets du même modèle dans différents environnements (par exemple, des scènes extérieures de jour et de nuit). Pour utiliser efficacement les différents spectres, le principal problème technique réside dans le processus de fusion des informations. Dans cet article, nous proposons une nouvelle méthode de fusion de caractéristiques intermédiaire pour les réseaux neuronaux qui exploite l'équilibre complémentaire/cohérent existant dans les caractéristiques multispectrales en ajoutant à l'architecture du réseau un module particulier qui fusionne et affine cycliquement chaque caractéristique spectrale. Nous évaluons l'efficacité de notre méthode de fusion sur deux jeux de données multispectrales difficiles pour la détection d'objets. Nos résultats montrent que l'implémentation de notre module Cyclic Fuse-and-Refine dans n'importe quel réseau améliore les performances sur les deux jeux de données par rapport aux autres méthodes actuelles de détection d'objets multispectrales.