Caractérisation de trottoirs : extraction automatique d’entités géographiques sur des images panoramiques urbaines par réseaux de neurones convolutifs
Notice bibliographique
Résumé
L’état des trottoirs a un impact déterminant sur la mobilité des personnes à mobilité réduite, leur participation à la vie sociale et leur état de santé physique. Un suivi automatisé de ces trottoirs, à l’instar de celui qui est actuellement développé pour le réseau routier dans plusieurs grandes villes, permettrait d’alléger les coûts liés aux relevés manuels à des fins d’entretien régulier. Le présent projet vise à bonifier les facteurs pris en compte par un outil de planification de trajets afin qu’il réponde mieux aux besoins de mobilité de ce type d’usagers. Depuis l’avènement des réseaux de neurones convolutifs (CNN) en reconnaissance visuelle, les applications liées à ces nouveaux outils d’apprentissage machine ne cessent de se multiplier. Les CNN présentent un intérêt majeur dans l’application des techniques de vision par ordinateur en télédétection. L’objectif principal des travaux présentés ici consiste à développer une méthode permettant de caractériser automatiquement les trottoirs. Pour ce faire, des images de scènes urbaines Google Street View couvrant deux villes du Québec ont été acquises, puis annotées afin d’y associer la vérité terrain. Une fois entraînés sur ces données, les CNN ont servi à détecter et caractériser les trottoirs sur un ensemble de test, couvrant 25 km du centre-ville de Sherbrooke. Une approche d’apprentissage par transfert est privilégiée afin de tirer profit de grands jeux de données annotées, comme Cityscapes. La segmentation des trottoirs sur le site d’évaluation finale atteint un indice de Jaccard de 91 %. La caractérisation, quant à elle, n’atteint que 31 %, notamment à cause d’un débalancement de classes dans les données d’entraînement. Une récurrence de surapprentissage révèle enfin le besoin d’accroître la quantité de ces données servant à l’apprentissage des modèles.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».