Évaluation des réseaux neuronaux profonds pour les systèmes de détection de panneaux de signalisation routière

Les systèmes de détection de panneaux de signalisation constituent une composante essentielle des applications actuelles du monde réel, telles que la conduite autonome, la sécurité et l’assistance au conducteur. Ce papier analyse l’état de l’art de plusieurs systèmes de détection d’objets (Faster R-CNN, R-FCN, SSD et YOLO V2) combinés à divers extracteurs de caractéristiques (ResNet V1 50, ResNet V1 101, Inception V2, Inception ResNet V2, MobileNet V1 et Darknet-19), initialement développés par leurs auteurs respectifs. Nous visons à explorer les propriétés de ces modèles de détection d’objets, modifiés et spécifiquement adaptés au domaine de la détection de panneaux de signalisation grâce à l’apprentissage par transfert. Plus précisément, divers modèles de détection d’objets disponibles publiquement, pré-entraînés sur le jeu de données Microsoft COCO, sont affinés sur le jeu de données German Traffic Sign Detection Benchmark. L’évaluation et la comparaison de ces modèles incluent des métriques clés telles que la précision moyenne par intersection (mAP), l'allocation mémoire, le temps d’exécution, le nombre d’opérations à virgule flottante, le nombre de paramètres du modèle ainsi que l’impact de la taille des images de panneaux de signalisation. Nos résultats montrent que Faster R-CNN avec Inception ResNet V2 obtient la meilleure mAP, tandis que R-FCN avec ResNet 101 atteint le meilleur compromis entre précision et temps d’exécution. YOLO V2 et SSD avec MobileNet méritent une mention particulière : le premier atteint des résultats compétitifs en précision et se classe deuxième en vitesse, tandis que le second est le modèle le plus rapide et le plus léger en termes de consommation mémoire, le rendant ainsi une option optimale pour le déploiement sur des dispositifs mobiles et embarqués.