Réponse rapide
On limite le surapprentissage par données variées, séparation rigoureuse, régularisation, augmentation réaliste, arrêt précoce et évaluation sur scènes jamais vues.
Avertissement de sécurité
Un modèle peut sembler bon sur ses données et échouer dès que le décor change. Testez le domaine réel et réduisez l’autonomie si la généralisation n’est pas prouvée.
Diagnostiquer
Comparez courbes, erreurs par condition, confiance et écart entre entraînement et test et cherchez dépendance au décor ou à une signature.
Corriger
Ajoutez diversité pertinente, simplifiez modèle, régularisez et augmentez sans créer d’images ou mouvements impossibles.
Valider
Testez sites, objets, capteurs et conditions indépendants et mesurez impact sur décision, latence et repli.
Sources et références
- [1] Robotics and Autonomous Systems — NIST