SCÈNE : Raisonnement sur les scènes de circulation à l’aide de réseaux de neurones graphes hétérogènes

La compréhension des scènes de circulation nécessite de prendre en compte des informations hétérogènes concernant les agents dynamiques ainsi que l’infrastructure statique. Dans ce travail, nous proposons SCENE, une méthodologie permettant d’encoder des scènes de circulation diverses sous forme de graphes hétérogènes, et de raisonner sur ces graphes à l’aide d’un encodeur basé sur un réseau neuronal de graphe hétérogène (Heterogeneous Graph Neural Network) combiné à des décodeurs spécifiques aux tâches. Les graphes hétérogènes, dont la structure est définie par une ontologie, comprennent différents types de nœuds dotés de caractéristiques spécifiques au type de nœud, ainsi que des relations variées munies de caractéristiques spécifiques aux arêtes. Afin d’exploiter pleinement l’information contenue dans ces graphes, nous proposons d’utiliser des couches en cascade de convolution de graphe. Le résultat est une représentation encodée de la scène. Des décodeurs spécifiques aux tâches peuvent ensuite être appliqués pour prédire des attributs souhaités de la scène. Une évaluation approfondie sur deux tâches binaires de classification de nœuds, extrêmement diverses, met en évidence le principal avantage de cette méthodologie : bien qu’elle soit générique, elle parvient même à surpasser les modèles spécialisés pour chaque tâche. L’application ultérieure de notre méthode à la tâche de classification de nœuds dans divers graphes de connaissances démontre sa capacité de transfert vers d’autres domaines.