Réponse rapide
Séparer les données d’apprentissage et de test par scène, mission, robot ou période évite qu’images proches d’une même séquence rendent l’évaluation artificiellement facile. Le test mesure mieux la généralisation à une situation réellement nouvelle et limite la fuite d’information.
Choisir l’unité de séparation
Séquence vidéo, trajet, pièce, site ou journée devient unité selon corrélations et risque de réutilisation. Transformations, statistiques et réglages sont appris seulement sur entraînement.
Évaluer des trajets mobiles
Toutes les images d’un trajet restent dans un seul jeu. Test sur autre trajet et date révèle bâtiment, circulation, météo et lumière que robot devra supporter.
Accepter un test plus exigeant
Score peut baisser mais devient crédible. Peu de scènes ou distributions limitées sont documentées au lieu d’être masquées par mélange de données corrélées.
Sources et références
- [1] Common pitfalls and recommended practices — scikit-learn — scikit-learn
- [2] Artificial Intelligence Risk Management Framework (AI RMF 1.0) — NIST