Video Classification Using Deep Learning

Abstract

Le traitement des vidéos prend de plus en plus d’importance dans de nombreuse applications. De grand progrès ont été réalisé dans ce domaine grace a l’Apprentissage Automatique (AA), en particulier l’Apprentissage Profond (AP), qui est le sous-domaine qui imite le cerveau humain en modélisant les réseaux de neurones biologiques à l’aide d’un outil appelé Réseaux de Neurones Artificiels (RNA). Les deux RNA les plus importants sont les Réseaux de Neurones Convolutives (RNCs) et les Réseaux de Neurones Récurrents (RNRs). La Mémoire Court et Long Terme (MCLT) est l’une des architectures RNR la plus fréquemment utilisées grâce à son grand succès dans le traitement de donnée séquentielles comme la vidéo. L’objectif de ce travail est de trouver une combinaison de RNA la plus appropriée pour construire un modèle capable de classer les vidéos dans leurs catégories respectives. Dans cette perspective, nous avons expérimenté deux approches différentes. La premiere utilise uniquement un RNC, et la deuxieme utilise à la fois un RNC et une MCLT afin d’effectuer une classification vidéo sur trois distribustions de données entraînement / test provenant de l’ensemble de données UCF-101. Les experimentations confirment que l’utilisation d’un RNR combinée avec un RNC donnait des résultats impressionnants par rapport à l’utilisation de l’RNC seul, qui a des difficultés avec les vidéos compte tenu de leur structure dynamique