Embed Size (px)
Citation preview
CARTOGRAPHIE ET GÉOMATIQUE
Map-matching + lissage de Kalman
Extraction de N fenêtres glissantes
Calcul de la variable d'intérêt
distance
vit
ess
e
NettoyageInterpolation
Base d'entraînement
Speed
Variance
distance-vitesse
02
04
06
08
0
Approche fonctionnelle Approche image
Adaptation d'une méthode de reconnaissance d'images (Ozuysal et al)
Calcul de profils agrégés Décomposition des en ondelettes
5.16"
Conversion en carte de chaleur"densité de profils de vitesse"
Apprentissage automatique pour la détection defeux tricolores à partir de profils de vitesse
Yann Méneroux1
1 Institut National de l'Information Géographique et Forestière (IGN), Equipe COGIT, St Mandé, France
Conclusion et perspectives
L'expérimentation a montré que la méthode des forêts aléatoires semble la plus performante pour identifier la signature d'un feu tricolore dans un paquet de profils de vitesse, quelque soit l'approche utilisée, avec un taux de confusion marginal avec les stops. Les résultats démontrent également la supériorité de l'approche fonctionnelle sur tous les algorithmes testés.
D'autres algorithmes d'apprentissage statistique (tels que les réseaux de neurones fonctionnels) pourront également être testés. L'objectif dans un second temps sera d'étendre les résultats obtenus à d'autres éléments de l'infrastructure routière (éventuellement à l'aide d'autres sources de données enregistrées à bord du véhicule ou à l'aide des images satellitaires de l'IGN). La portée théorique de ces travaux devrait in fine permettre d'apporter des éléments de réponse aux interrogations suivantes :
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
TP
R
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
FPR
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
FPR
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
FPR
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
FPR
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
FPR
TP
R
Robustesse de l'approche aux changements d'environnement ? Combien de données faut-il avoir à disposition dans la base d'entraînement ? Quelles influences (sur les précisions de détection et de localisation) de la fréquence d'acquisition des capteurs, des erreurs de mesures et du nombre de traces observées ? Personnal
Website
[email protected], [email protected]
Arnaud Le Guilcher (COGIT, IGN)
Sébastien Mustière (COGIT, IGN)
Guillaume Saint Pierre (LIVIC, IFSTTAR)
Encadrement de thèse
Contact
Préparation de la base d'entraînement
Apprentissage automatique et comparaisons
Données
Données
Références
• 1) Andrieu, C. (2013). Modélisation fonctionnelle de profils de vitesse en lien avec l’infrastructure et méthodologie de construction d’un profil agrégé, thèse de doctorat• 2) Ozuysal, M., Fua, P., & Lepetit, V. (2007). Fast keypoint recognition in ten lines of code. In Computer Vision and Pattern Recognition. CVPR'07. IEEE Conference on (pp. 1-8).• 3) Gregorutti, B. (2015). Forêts aleatoires et selection de variables : analyse des données des enregistreurs de vol pour la securite aerienne. Paris VI.
L'arrivée récente de flottes de véhicules traceurs, mais aussi d'applications de conduite collaborative, rend possible l'accès à de grandes masses de données de conduite sur un même itinéraire.
Peut-on exploiter les profils de vitesse GPS de véhicules pour détecter de manière précise l’infrastructure routière permanente à l’aide d’algorithmes d’apprentissage statistique génériques ?
On cherche dans un premier temps à valider l'emploi de telles méthodes sur le cas de la détection de feux tricolores, l'objectif étant ici de répondre à quelques questions exploratoires :
Contexte et objectifs
Les profils sont exprimés dans l'espace distance-vitesse :
1 2
3
4
5
→ Quels sont les espaces de descripteurs adaptés pour modéliser des paquets de profils et y rechercher la signature caractéristique de feux tricolores ?
→ Quels algorithmes d'apprentissage ?
→ Quelles performances peut-on espérer obtenir ?
Nombre de traces
Zone
Longueur du circuit
Positionnement
Nombre de feux
Mesure de vitesse
143
Versailles (78)
25 km
44
GPS @ 1 Hz
Doppler @ 10 Hz
0.0 0.1 0.2 0.3 0.4 0.5 0.6
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
FPR
Image
Functional
Rando
mcla
ssifi
er R
OC
Naive Bayes Decision Tree k Nearest Neighbors Random Ferns Random Forest
Ima
geF
unct
iona
l
Courbes ROC et bandes de confiance à 95% (méthode Threshold Averaging avec distribution binomiale) pour chaque combinaison approche x algorithme. Ratio de faux positifs (FPR) en abscisse et vrai positifs (TPR) en ordonnée
Pour chaque combinaison [approche x algorithme], on entraîne un classifieur et on le teste selon une procédure 10-fold cross validation. Comparaison de courbes ROC (avec bandes de confiance à 90%) pour la méthode Random Forest avec l'approche image (rouge) et fonctionnelle (verte)
Performances de chaque approche pour la méthode Random Forest
Sensitivité
Spécificité
F-mesure
Précision
Roc Area
Confusion1
Temps2
Image
64.2 %
96.3 %
77.7 %
70.3 %
94.0 %
6.13 %
0.32"
Fonctionelle
82.6 %
97.2 %
85.6 %
84.1 %
97.5 %
2.81 %
1 Taux de confusion avec les signes stops2 Temps d'apprentissage (en secondes / fenêtre)
Tous les écarts sur les indicateurs sont significatifs (p < 0.01)
