En partenariat avec le Master2 de Mathématiques de l’Université de Cergy Pontoise, les équipes de l’IRCGN et de R&D Vision ont implémenté et testé des méthodes de comparaison de traces d’outils basées sur de l’apprentissage profond, afin d’étudier leur apport en complément des traitements automatisés proposés par le projet TACS (Toolmarks AnalysisComparison System).
Pour rappel le projet TACS (Toolmarks Analysis ComparisonSystem) est un système de comparaison automatisée de traces d’outils en vued’effectuer des rapprochements entre cambriolages à grande échelle.
Après les premiers travaux sur des méthodes d’apprentissage par réseau siamois/triples et par transfer learning, l’approche a évolué vers une classification par similarité. Un modèle de transfer learning utilisant un réseau pré-entraîné du type ResNet couplé à un algorithme des k-plus proches voisins a été implémenté. Ce modèle a montré de bons résultats en termes de reconnaissance de traces d’outils.
Ces approches pourraient nous permettre d’aborder des problématiques de reconnaissance dans des domaines où les quantités de données sont limitées, ce qui peut être une des limitations du Deep Learning.
La prochaine étape sera d’intégrer ces nouvelles méthodes dans l’outil avant de mettre en place des régions pilotes pour confirmer les bons résultats.
