Une méthode de segmentation en temps réel d’incendies basée sur une approche d’apprentissage profond

Comme une sorte de « faille » dans la forêt, le feu est extrêmement destructeur et difficile à maîtriser. La segmentation du feu permet aux pompiers de mieux comprendre l’étendue du sinistre et d’élaborer un plan d’intervention raisonnable. Dans ce contexte, cette étude propose une méthode de segmentation en temps réel du feu fondée sur l’apprentissage profond. Il s’agit d’une version améliorée de DeepLabv3+, un réseau neuronal à architecture encodeur-décodeur. L’encodeur repose sur un réseau neuronal convolutif profond associé à un pooling pyramidale spatial à taux d’expansion (atrous spatial pyramid pooling). Contrairement à DeepLabv3+, afin d’améliorer la vitesse de segmentation, cette étude utilise un réseau léger, MobileNetV3, pour construire un nouveau réseau convolutif profond, tout en renonçant à l’usage de la convolution atrous, ce qui peut néanmoins nuire à la précision de segmentation. Afin de compenser cette perte de précision, le décodeur original est enrichi par l’intégration de deux caractéristiques superficielles différentes, permettant ainsi au réseau de capturer une information plus riche sur les caractéristiques du feu. Les résultats expérimentaux montrent que la performance globale de cette méthode dépasse celle de DeepLabv3+ original, en particulier en termes de vitesse de segmentation, qui est passée à environ 59 FPS.