Segmentation d'instances d'objets par approximation de masques

La segmentation d’instances d’objets dans une image vise à détecter précisément la localisation des objets d’intérêt, ainsi que leur catégorie, en donnant pour chacun un masque qui les recouvre. C’est donc une tâche très important pour obtenir une interprétation détaillée d’une image avec des techniques de vision par ordinateur. Dans le cadre des transports intelligents par exemple, cela permet de savoir en temps réel où se trouvent les autres usagers de la route. L’utilisation d’approximations de masques, au lieu de masques binaires avec une étiquette sur chaque pixel, permet d’augmenter fortement la vitesse de détection sans pour autant perdre beaucoup d’informations, grâce à la réduction du nombre de paramètres utilisés pour la représentation des masques. Nous avons donc exploré deux formes d’approximation de masques. Dans un premier temps, nous nous sommes focalisé sur les polygones, une forme assez classique d’approximation. La prédiction d’un petit nombre de sommets permet d’obtenir rapidement un masque pertinent. À partir de la méthode CenterPoly, on emploie un nouveau processus d’apprentissage avec une fonction de perte qui utilise l’Intersection-sur-Union pour les polygones, à partir de l’algorithme de Weiler-Atherton, ainsi qu’avec une fonction de perte basée sur l’ordre des sommets des polygones. De plus, on étudie l’impact de la représentation géométrique des sommets des polygones pour l’approximation des masques, en comparant les représentations cartésiennes et polaires. Cela permet de montrer que dans le cas de notre méthode, la représentation cartésienne donne des résultats légèrement meilleurs. Enfin, nous proposons une évaluation par oracle de détection pour évaluer plus précisément la qualité des masques polygonaux générés en découplant la détection des polygones de la construction du masque. CenterPolyV2 améliore significativement les performances de segmentation des usagers de la route par rapport à CenterPoly sur les jeux de données en milieu urbain utilisés.