Localisation Indoor basé sur la détection deep learning

Abstract

Dans ce projet, un schéma de localisation en intérieur limité par des scènes a été proposé. Les résultats et les comparaisons ont montré que ce système présente des performances compétitives par rapport à la plupart des systèmes actuels. Nous avons résolu les problèmes de localisation indoor (à l'intérieur). Ce projet présente des stratégies d'utilisation des fonctionnalités CNN pour la détection d'objets. Grâce au réglage plus précis de Faster R-CNN pour les images de requête qui incluent les mêmes objets à détecter, donc Faster R-CNN produit de meilleures représentations d’entités pour la détection d’objet. En concaténant et en normalisant une couche convolutionnelle moins profonde et une couche convolutionnelle plus profonde pour les RPN, Faster R-CNN permet de mieux identifier les images à basse résolution. Sans prendre en compte la consommation de temps, nous avons montré qu'il était possible d'améliorer considérablement les performances d'un système prêt à l'emploi. Dans les prochaines études, il faut étudier comment raccourcir le temps nécessaire à la mise au point pendant formation et comment améliorer encore l’efficacité de Faster R-CNN au cours des tests dans les suivantes études. De plus, notre détecteur de personne sur les exemples de données est formé individuellement et avec succès en utilisant les méthodes rapides d'apprentissage en profondeur Faster RCNN. Le détecteur de personne formé est testé sur les données de test et les résultats efficaces sont obtenus à partir de problème de détection de personne En outre, le succès le taux de détection du détecteur formé a été essayé de être maximisé autant que possible et expérimental des comparaisons d'analyse sont faites avec les résultats obtenu à partir des méthodes. La méthode proposée est détaillée ainsi que son implémentation et aussi les résultats expérimentaux. 83 En conclusion, nous avons présenté une procédure automatisée permettant de générer des données d’entraînement synthétiques pour les détecteurs d’objets CNN profonds. La procédure de génération prend en compte la géométrie et la segmentation sémantique de la scène afin de prendre des décisions éclairées concernant les positions et les échelles des objets. Nous avons utilisé deux détecteurs d’objets à la pointe de la technologie et démontré une augmentation de leurs performances lorsqu’ils sont formés avec un kit d’entraînement renforcé. En outre, nous avons également étudié l’effet de différents paramètres de génération et fourni quelques informations qui pourraient s’avérer utiles lors de futures tentatives de génération de données synthétiques pour les détecteurs d’objets d’entraînement. Les applications basées sur la localisation peuvent donc utiliser, dans un périmètre donné, une combinaison de solutions centralisées à large échelle, avec, potentiellement, d'autres services de localisation indépendants qui pourrait leur être composés dynamiquement. Une infrastructure logicielle locale de localisation telle que décrite cidessus est une solution possible pour consolider cette intégration au niveau le plus élevé, leur combinaison aux niveaux inférieurs étant réalisable suivant le modèle. Nous avons présenté les réseaux de proposition de région (Fast RCNN) pour une proposition de région efficace et précise. En partageant les fonctionnalités de convolution avec le réseau de détection. Notre méthode permet une détection d'objet unifiée, basée sur l'apprentissage en profondeur. Le Fast RCNN appris améliore également la qualité de la proposition de région et donc la précision globale de détection d'objet. Fondé sur une étude de pointe de la localisation en intérieur, ce travail parmi les premiers à adopter, à notre connaissance, un apprentissage en profondeur pour extraire des informations sémantiques de haut niveau destinées à la localisation en intérieur. Cette méthode est similaire au mode cognitif au cerveau humain et présente un grand potentiel pour la recherche future.