Analyse du projet Light-Condition-Style-Transfer

Le dépôt Light-Condition-Style-Transfer introduit une méthodologie avancée d'augmentatoin de données conçue pour optimiser la détection de marquage au sol dans des environnements nocturnes ou mal éclairés. En s'appuyant sur l'architecture SIM-CycleGAN, le système transforme des images capturées en conditions diurnes optimales en versions synthétiques représentatives de la conduite de nuit. Cette apprcohe a été validée lors de l'IEEE Intelligent Vehicles Symposium (IV 2020), affichant une performance de 73,9 (mesure F1) sur le benchmark CULane.

Configuration et Dépendances

Pour déployer cet outil, il est nécessaire de configurer un environnement capable de gérer le calcul GPU intensif et le traitement d'images complexe. Les prérequis incluent PyTorch, OpenCV et un environnement Matlab pour l'évaluation.

# Initialisation de l'espace de travail avec Conda
conda create -n sim_gan_env python=3.6
conda activate sim_gan_env

# Installation des librairies de deep learning
conda install pytorch==1.3.0 torchvision==0.4.1 cudatoolkit=10.0 -c pytorch
pip install -r requirements.txt

Entraînement du modèle SIM-CycleGAN

Le processus d'apprentissage nécessite deux domaines d'images (A pour le jour, B pour la nuit). L'entraînement se lance via un script Python en spécifiant les fichiers d'indexation des données.

# Lancement de l'apprentissage sur un GPU spécifique
python train.py --name modele_nocturne_v1 \
    --dataset_loadtxt_A /chemins/vers/images_jour.txt \
    --dataset_loadtxt_B /chemins/vers/images_nuit.txt \
    --gpu_ids 0

Phase de Test et Génération

Après l'entraînement, le modèle peut être utilisé pour générer des images de synthèse afin de tester la robustesse des algorithmes de vision par ordinateur face à l'obscurité.

# Génération de style sur le jeu de test
python test.py --name modele_nocturne_v1 \
    --model simcycle_gan \
    --dataset_loadtxt_A /chemins/vers/test_jour.txt \
    --dataset_loadtxt_B /chemins/vers/test_nuit.txt \
    --gpu_ids 0

Pour évaluer la précision de la détection de voies sur les résultats obtenus, utilisez le script de démonstration fourni :

bash ./scripts/detection_demo.sh

Cas d'utilisation et Écosystème

L'utilité de ce projet dépasse la simple conversion d'images ; il s'inscrit dans un flux de travail complet pour la conduite autonome :

• Augmentation de Données : Permet de créer massivement des scénarios nocturnes à partir de bases de données diurnes existantes, évitant ainsi des campagnes de collecte de données coûteuses.
• Intégration SCNN : Les sorties de SIM-CycleGAN peuvent servir de données d'entrée pour des modèles comme le Spatial CNN (SCNN), améliorant leur capacité de généralisation.
• Optimisation avec ERFNet : Le projet est compatible avec des architectures légères comme ERFNet, facilitant la segmentation sémantique en temps réel sur du matériel embarqué.

Grâce à cette approche de transfert de style, les modèles de détection de voies deviennent nettement plus résilients face aux variations d'illumination extrêmes rencontrées sur la route.