Vers des caractéristiques profondes de l’image Pourquoi ? et quand ?

Abstract

Dans tous les systèmes de reconnaissance de formes, l'étape d'extraction de caractéristiques est l'étape la plus importante étant donné son impact significatif sur la précision du système. Malheureusement, malgré les nombreuses méthodes artisanales de mise en œuvre de cette étape, ils ont atteint leurs limites pour représenter avec précision ces caractéristiques. Récemment, des recherches connexes ont été consacrées à l'extraction de caractéristiques profondes à l'aide de techniques dites d'apprentissage profond. Dans ces méthodes, l'image peut être représentée par des caractéristiques à plusieurs niveaux, dans lesquelles nous pouvons extraire les caractéristiques qui ne peuvent pas être obtenues par des méthodes artisanales. Par conséquent, ces méthodes reposent généralement sur des filtres convolutifs multicouches. Dans la pratique, les méthodes profondes souffrent d'une capacité mémoire limitée et de ralentissements du processeur, ce qui conduit inévitablement à la recherche obligatoire de technologies simples et faciles qui peuvent être exploitées dans la plupart des appareils actuellement disponibles. Dans ce contexte, nous avons proposé dans ce travail une méthode d'extraction de caractéristiques basée sur le principe du deep learning, qui se caractérise par sa simplicité et légèreté. Nous avons évalué les performances de notre méthode à l'aide d'un système biométrique, qui est un système de reconnaissance de formes typique et les résultats expérimentaux ont montré que notre méthode a une grande précision par rapport à de nombreuses méthodes artisanales actuelles et à certaines méthodes basées sur l'apprentissage profond dans le Littérature