Segmentation d'instance dans des images fisheye

Rémi Dufour (1) , Cyril Meurie (1) , Olivier Lézoray (2) , Ankur Mahtani (3)

1 GREYC - Groupe de Recherche en Informatique, Image et Instrumentation de Caen
2 Equipe Image - Laboratoire GREYC - UMR6072
3 COSYS-LEOST - Laboratoire Électronique Ondes et Signaux pour les Transports

Le défi de la segmentation d’instance a été exploré principalement avec des images rectilinéaires. Cependant, la segmentation d’instance dans des images fisheye implique des difficultés supplémentaires et n’a pas encore été complètement explorée. Un modèle CNN capable de fonctionner aussi bien sur des données rectilinéaires que sur des données fisheye sans modification permet d’envisager de multiples applications, et possède des avantages en terme de puissance de calcul requise, ce qui se révèle être un aspect crucial pour les systèmes temps réels, comme ceux embarqués en environnement transport. Dans cet article, nous démontrons qu’un ensemble simple d’augmentations fisheye permet d’améliorer les performances sur des images fisheye tout en conservant celles obtenues sur des images rectilinéaires.

Mots clés: Segmentation d'instance; Deep Learning; CNN; Fisheye; Distorsions

Domaines: Informatique [cs]; Vision par ordinateur et reconnaissance de formes [cs.CV]

Rémi Dufour, Cyril Meurie, Olivier Lézoray, Ankur Mahtani. Segmentation d'instance dans des images fisheye. ORASIS 2021, Centre National de la Recherche Scientifique [CNRS], Sep 2021, Saint Ferréol, France. ⟨hal-03339664⟩