ÉTUDE DE CAS 07
- Académique
- Computer Vision
- Machine Learning
Rapprocher le jour et la nuit
Adaptation de domaine avec un CycleGAN bidirectionnel.
Projet personnel / académique
Le projet, étape par étape
−74 %d’écart d’accuracy entre domaines
- 01
Images de jour et de nuit
Caltech Camera Traps
- 02
Adapter les domaines
CycleGAN : transformations jour ↔ nuit
- 03
Évaluer l’écart
Comparer l’accuracy entre les deux domaines
−74 % désigne la réduction de l’écart d’accuracy entre les domaines, pas l’accuracy finale.
Contexte
Projet de Computer Vision sur le dataset Caltech Camera Traps, consacré à l’adaptation de domaine entre images de jour et de nuit.
Problème
Les images de jour et de nuit présentent des conditions visuelles différentes. Le projet vise à réduire l’écart de performance entre ces domaines.
Données
Images du dataset Caltech Camera Traps. Aucun exemple avant/après n’a été fourni pour cette présentation.
Approche
J’ai développé un CycleGAN bidirectionnel pour l’adaptation entre les domaines jour et nuit.
Méthode
Le principe général d’un CycleGAN consiste à apprendre des transformations dans les deux sens, avec une contrainte de cohérence de cycle. Le détail de la configuration utilisée reste à documenter.
Résultats
Réduction de 74 % du gap d’accuracy. Ce chiffre décrit la réduction de l’écart entre domaines, et non l’accuracy finale du modèle.
Technologies
PyTorch, OpenCV et CycleGAN.
Enseignements et limites
La qualité des images transformées, les cas d’échec et le protocole d’évaluation détaillé restent à documenter.