Upgrade to Pro — share decks privately, control downloads, hide ads and more …

20220317-datadrink-basegun

etalab-ia
March 17, 2022
58

 20220317-datadrink-basegun

Benjamin Barralon, Sarah Cocher et Beryl Koller du Laboratoire des données du Ministère de l’Intérieur nous présenteront Basegun, une solution d’IA permettant d’identifier et classer instantanément une arme sur le terrain.

etalab-ia

March 17, 2022
Tweet

Transcript

  1. 1

    View Slide

  2. 2
    Constat

    View Slide

  3. 3
    Idée de départ

    View Slide

  4. 4
    Équipe

    View Slide

  5. 5
    4 - Très fréquent
    3 - Fréquent
    2 - Rare
    1 - Très rare
    1 - Faible 2 - Moyen 3 - Elevé 4 - Très élevé
    FRÉQUENCE
    IMPACT
    acceptable significatif
    Légende des zones : critique inacceptable
    Première étape : investigation du problème
    Priorisation des irritants suite aux discussions avec des gendarmes ou des policiers

    View Slide

  6. 6
    Comment identifier la catégorie légale




    View Slide

  7. 7
    Premières pistes

    View Slide

  8. 8
    Prototype : choix techniques
    Comment distinguer efficacement certaines typologies d’armes ?
    – Deep Learning avec Pytorch
    – Faire classification (donne score d’appartenir à chaque typologie) plutôt que détection (repérer où
    se situe l’arme à feu + catégoriser)
    classification + performante, méthodes d’évaluation + précises
    on suppose que toute image en entrée est une arme à feu bien visible
    – Définir 10 classes / typologies que l’on va chercher à distinguer avec les experts armes
    – Obtenir ~ 5000 photos variées pour chacune des classes pour constituer un dataset d’entraînement
    de qualité

    View Slide

  9. 9
    Autre pistolet
    Revolver
    Épaule à un coup
    Épaule à pompe

    View Slide

  10. 10
    Méthodologie

    View Slide

  11. 11

    View Slide

  12. 12
    Prototype : statégie d’entraînement






    View Slide

  13. 13
    Prototype : statégie d’évaluation





    View Slide

  14. 14
    Meilleur modèle : EfficientNetB7

    View Slide

  15. 15

    View Slide