Large Scale Sparse Optimization for Object Detection in High Resolution Images

Résumé : Nous traitons dans ces travaux le problème de la détection d'objets dans des images en exprimant l'image comme convolutios entre des matrices d'activation et des atomes de dictionnaire. Les matrices d'activation sont estimées par optimisation parcimonieuse et correspondent à la position des objets. En particulier, nous proposons un algorithme efficace basé sur une stratégie d'ensemble actif qui permet le passage à l'échelle et peut être calculé en parallèle. Nous l'appliquons sur une image jouet, et sur une image satellitaire où l'objectif est de détecter tous les bateaux d'un port. Les résultats montrent l'avantage de l'utilisation de pénalités non-convexes, comme la pénalité de somme de log, par rapport à la pénalité convexe l1.
Type de document :
Communication dans un congrès
MLSP - 24th IEEE Workshop on Machine Learning for Signal Processing, Sep 2014, Reims, France. 2014
Liste complète des métadonnées

Littérature citée [15 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/hal-01066235
Contributeur : Aurélie Boisbunon <>
Soumis le : vendredi 19 septembre 2014 - 14:24:15
Dernière modification le : mardi 5 juin 2018 - 10:14:25

Fichier

NonConvSparse_objDetect.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01066235, version 1

Citation

Aurélie Boisbunon, Rémi Flamary, Alain Rakotomamonjy, Alain Giros, Josiane Zerubia. Large Scale Sparse Optimization for Object Detection in High Resolution Images. MLSP - 24th IEEE Workshop on Machine Learning for Signal Processing, Sep 2014, Reims, France. 2014. 〈hal-01066235〉

Partager

Métriques

Consultations de la notice

1154

Téléchargements de fichiers

252