Caractérisation de trottoirs : extraction automatique d’entités géographiques sur des images panoramiques urbaines par réseaux de neurones convolutifs
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".