Reconnaissance et identification de cibles basée sur CNN pour l'imagerie infrarouge dans les systèmes de défense

Les réseaux de neurones convolutionnels (CNN) sont devenus rapidement les modèles de pointe pour les applications de classification d'images. Ils nécessitent généralement de grands ensembles de données vérifiées pour l'entraînement. Ici, nous abordons l'identification et la reconnaissance d'objets dans la nature pour l'imagerie infrarouge (IR) dans des applications de défense, où aucun ensemble de données à grande échelle n'est disponible. En nous concentrant sur les problèmes de robustesse, notamment l'invariance de point de vue, nous introduisons une architecture CNN compacte et pleinement convolutionnelle avec pooling global moyen. Nous montrons que ce modèle entraîné à partir d'ensembles de données de simulation réalistes atteint des performances de pointe par rapport à d'autres CNN sans étapes d'augmentation de données ni d'affinage. Nous démontrons également une amélioration significative de la robustesse aux changements de viewpoint par rapport à un schéma basé sur une machine à vecteurs de support (SVM).