Auto-filtrage des entrées par le complément spectral et des normalisations fréquentielles et l’utilisation de filtres en loi de puissance pour les réseaux de neurones convolutifs

Résumé

Ce mémoire porte sur l’utilisation de procédés de prétraitement des images à l’aide du domaine de Fourier, afin d’améliorer les taux de précision des CNN (convolutional neural network) de classification d’images. Pour ce faire, trois nouvelles méthodes sont proposées. La première est la SFSC (Self-Filtering by the Spectral Complement) qui consiste à l’utilisation d’un auto-filtrage des entrées combiné à des combinaisons de normalisation et moyennage fréquentiels, afin de simplifier les images et les rendre plus simples à analyser par les CNN. La deuxième et troisième méthode portent sur un filtrage des images d’entrées ou de la sortie de la SFSC, à l’aide de filtres en loi de puissance qui évoluent au cours de l’apprentissage. L’efficacité de nos nouveaux procédés est vérifiée au travers d’expérimentations sur un total de 14 architectures uniques, ayant des poids aléatoires ou prédéfinis, pour trois types de tâche de classification d’images : la classification générale d’images naturelles (CIFAR), la classification de textures (DTD) et la classification fine des émotions du visage (KDEF). La forte polyvalence et l’adaptabilité de la SFSC lui ont permis d’améliorer tous les modèles utilisés, à l’exception du DenseNet et du Wide ResNet sur CIFAR, qui ont eu de légères pertes globales de moins de 1 % de précision. Quant aux filtres en loi de puissance, ceux-ci ne sont pas adaptés aux modèles pré-entraînés et fonctionnaient généralement moins bien que la SFSC, bien qu’ils l’aient dépassé dans certains cas. De futures recherches pourront utiliser nos méthodes et nos conclusions afin de les améliorer, les utiliser autrement avec les CNN ou développer de nouveaux procédés utilisant le domaine fréquentiel avec les CNN.

Date	18 mai 2021
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Matthew Toews (Directeur(-trice))