La technique révolutionnaire qui a discrètement changé à jamais la vision artificielle

Dans l'exploration spatiale, il y a le prix Google Lunar X pour avoir placé un rover sur la surface lunaire. En médecine, il y a le prix Qualcomm Tricorder X pour le développement d'un appareil de type Star Trek pour le diagnostic des maladies. Il y a même un prix X de l'intelligence artificielle naissant pour le développement d'un système d'IA capable de livrer une conférence TED captivante.

Dans le monde de la vision artificielle, l'objectif équivalent est de remporter le défi de reconnaissance visuelle à grande échelle ImageNet. Il s'agit d'un concours organisé chaque année depuis 2010 pour évaluer les algorithmes de reconnaissance d'images. (Il est conçu pour faire suite à un projet similaire appelé PASCAL VOC qui s'est déroulé de 2005 à 2012).

Les participants à ce concours ont deux tâches simples. Présenté avec une image quelconque, la première tâche consiste à décider si elle contient un type particulier d'objet ou non. Par exemple, un concurrent peut décider qu'il y a des voitures dans cette image mais pas de tigres. La deuxième tâche consiste à trouver un objet particulier et à dessiner une boîte autour de lui. Par exemple, un concurrent peut décider qu'il y a un tournevis à une certaine position avec une largeur de 50 pixels et une hauteur de 30 pixels.

Oh, et une autre chose : il existe 1 000 catégories différentes d'objets allant du boulier à la courgette, et les candidats doivent parcourir une base de données de plus d'un million d'images pour trouver chaque instance de chaque objet. Rusé!

Les ordinateurs ont toujours eu du mal à identifier les objets dans des images réelles, il n'est donc pas difficile de croire que les gagnants de ces concours ont toujours obtenu de mauvais résultats par rapport aux humains.

Mais tout cela a changé en 2012 lorsqu'une équipe de l'Université de Toronto au Canada a introduit un algorithme appelé SuperVision, qui a balayé le sol avec l'opposition.

Aujourd'hui, Olga Russakovsky de l'Université de Stanford en Californie et quelques copains passent en revue l'histoire de cette compétition et disent que, rétrospectivement, la victoire complète de SuperVision a été un tournant pour la vision artificielle. Depuis lors, disent-ils, la vision artificielle s'est améliorée à un rythme si rapide qu'elle rivalise aujourd'hui avec la précision humaine pour la première fois.

Alors, que s'est-il passé en 2012 qui a changé le monde de la vision artificielle ? La réponse est une technique appelée réseaux de neurones à convolution profonde que l'algorithme Super Visison a utilisé pour classer les 1,2 million d'images haute résolution de l'ensemble de données en 1000 classes différentes.

C'était la première fois qu'un réseau de neurones à convolution profonde remportait le concours, et c'était une nette victoire. En 2010, l'entrée gagnante avait un taux d'erreur de 28,2 %, en 2011, le taux d'erreur était tombé à 25,8 %. Mais SuperVision a gagné avec un taux d'erreur de seulement 16,4 % en 2012 (la deuxième meilleure entrée avait un taux d'erreur de 26,2 %). Cette nette victoire a assuré que cette approche a été largement copiée depuis lors.

Les réseaux de neurones convolutifs consistent en plusieurs couches de petites collections de neurones qui regardent chacune de petites portions d'une image. Les résultats de toutes les collections d'un calque se chevauchent pour créer une représentation de l'image entière. La couche ci-dessous répète ensuite ce processus sur la nouvelle représentation d'image, permettant au système d'en savoir plus sur la composition de l'image.

Les réseaux de neurones à convolution profonde ont été inventés au début des années 1980. Mais ce n'est qu'au cours des deux dernières années que les ordinateurs ont commencé à disposer de la puissance nécessaire à la reconnaissance d'images de haute qualité.

SuperVision, par exemple, se compose de quelque 650 000 neurones disposés en cinq couches convolutionnelles. Il contient environ 60 millions de paramètres qui doivent être affinés au cours du processus d'apprentissage pour reconnaître des objets dans des catégories particulières. C'est cet immense espace de paramètres qui permet la reconnaissance de tant de types d'objets différents.

Depuis 2012, plusieurs groupes ont nettement amélioré le résultat de SuperVision. Cette année, un algorithme appelé GoogLeNet, créé par une équipe d'ingénieurs Google, a atteint un taux d'erreur de seulement 6,7 %.

L'un des grands défis dans l'organisation de ce type de compétition est de créer un ensemble de données de haute qualité en premier lieu, disent Russakovsky et co. Chaque image de la base de données doit être annotée selon une norme de référence que les algorithmes doivent respecter. Il existe également une base de données de formation d'environ 150 000 images qui doivent également être annotées.

Ce n'est pas une tâche facile avec un si grand nombre d'images. Russakovsky et co l'ont fait en utilisant le crowdsourcing sur des installations telles que Mechanical Turk d'Amazon où ils demandent aux utilisateurs humains de catégoriser les images. Cela nécessite une quantité importante de planification, de recoupement et de réexécution lorsque cela ne fonctionne pas. Mais le résultat est une base de données d'images de haute qualité annotées avec un degré élevé de précision, disent-ils.

Une question intéressante est de savoir comment les meilleurs algorithmes se comparent aux humains en matière de reconnaissance d'objets. Russakovsky et co ont comparé les humains aux machines et leur conclusion semble inévitable. Nos résultats indiquent qu'un annotateur humain formé est capable de surpasser le meilleur modèle (GoogLeNet) d'environ 1,7 %, disent-ils.

En d'autres termes, il ne faudra pas longtemps avant que les machines surpassent de manière significative les humains dans les tâches de reconnaissance d'images.

Les meilleurs algorithmes de vision artificielle ont encore du mal avec des objets petits ou minces, comme une petite fourmi sur une tige de fleur ou une personne tenant une plume à la main. Ils ont également des problèmes avec les images qui ont été déformées par des filtres, un phénomène de plus en plus courant avec les appareils photo numériques modernes.

En revanche, ces types d'images dérangent rarement les humains qui ont tendance à avoir des problèmes avec d'autres problèmes. Par exemple, ils ne sont pas bons pour classer les objets dans des catégories à grain fin telles que les espèces particulières de chien ou d'oiseau, alors que les algorithmes de vision artificielle gèrent cela facilement.

Mais la tendance est claire. Il est clair que les humains ne surpasseront bientôt les modèles de classification d'images de pointe qu'en utilisant des efforts, une expertise et du temps significatifs, disent Russakovsky et co.

Autrement dit, ce n'est qu'une question de temps avant que votre smartphone ne reconnaisse mieux le contenu de vos photos que vous.

Réf : http://arxiv.org/abs/1409.0575 : Défi de reconnaissance visuelle à grande échelle ImageNet

cacher