Proposition et Evaluation d’un Modèle Deep Learning pour la Classification d’Images Basé sur les Espaces de Couleurs

Abstract

L'apprentissage profond et la classification d'images sont utilisés dans différents domaines de recherche (médecine, réseaux sociaux, etc.) et de diverses manières (image / vidéo, audio et texte). La classification des images peut être considérée parmi les choses essentielles et nécessaires dans le domaine de l'intelligence artificielle, avec des progrès dans ce domaine d’apprentissage profond. L'architecture ResNet20 a mis au point la dernière technologie pour effectuer des tâches de classification d'images, ils prennent principalement des ensembles de données comme entrées dans un format d'images en RGB bien que de nombreux autres espaces colorimétriques soient disponibles. Dans cette recherche, nous évaluons le réseau de neurones à convolution profond pour classer les 60000 images du Cifar100 dans 100 classes différentes avec cinq espaces colorimétriques (RGB, HSV, LUV, LAB, YUV) et avons entrainer chacune d'elles en utilisent l’architectures ResNet20. Les résultats obtenus montrent un changement mineur de précision, mais nous concentrons sur la différence entre les différents espaces de couleur lorsque l'objet est de comprendre l'impact de l'espace couleur de l'image sur les performances des modèles CNN dans la classification d'image