Les réseaux de neurones ne comprennent pas ce que sont les illusions d'optique

Image d'illusion d'optique en noir et blanc Pixabay

La vision humaine est une facilité extraordinaire. Bien qu'il ait évolué dans des environnements spécifiques sur plusieurs millions d'années, il est capable d'accomplir des tâches que les premiers systèmes visuels n'ont jamais expérimentées. La lecture en est un bon exemple, tout comme l'identification d'objets artificiels tels que des voitures, des avions, des panneaux de signalisation, etc.

Mais le système visuel a aussi un ensemble bien connu de défauts que nous ressentons comme des illusions d'optique. En effet, les chercheurs ont identifié de nombreuses façons dont ces illusions amènent les humains à mal évaluer la couleur, la taille, l'alignement et le mouvement.

Les illusions elles-mêmes sont intéressantes car elles donnent un aperçu de la nature du système visuel et de la perception. Ainsi, les moyens de trouver de nouvelles illusions qui explorent ces limites seraient extrêmement utiles.

Cercles concentriques?

C'est là que l'apprentissage en profondeur entre en jeu. Ces dernières années, les machines ont appris à reconnaître des objets et des visages dans des images, puis à créer elles-mêmes des images similaires. Il est donc facile d'imaginer qu'un système de vision artificielle devrait être capable d'apprendre à reconnaître les illusions, puis à créer les siennes.

Entrez Robert Williams et Roman Yampolskiy à l'Université de Louisville dans le Kentucky. Ces gars-là ont tenté cet exploit mais ont constaté que les choses n'étaient pas si simples. Les systèmes d'apprentissage automatique actuels ne peuvent pas générer leurs propres illusions d'optique, du moins pas encore. Pourquoi pas?

Tout d'abord un peu de contexte. Les avancées récentes de l'apprentissage en profondeur reposent sur deux avancées. Le premier est la disponibilité de puissants réseaux de neurones et d'une ou deux astuces de programmation qui les rendent bons à apprendre.

La seconde est la création d'énormes bases de données annotées dont les machines peuvent tirer des enseignements. Apprendre à une machine à reconnaître les visages, par exemple, nécessite plusieurs dizaines de milliers d'images contenant des visages clairement étiquetés. Grâce à ces informations, un réseau de neurones peut apprendre à repérer des motifs faciaux caractéristiques - deux yeux, un nez et une bouche, par exemple. Et encore plus impressionnant, une paire d'entre eux - appelé un réseau contradictoire génératif - peut s'apprendre à créer des images de visages réalistes, mais totalement synthétiques.

Williams et Yampolskiy ont entrepris d'enseigner un réseau de neurones pour identifier les illusions d'optique de la même manière. La puissance de calcul est facilement disponible, mais les bases de données nécessaires ne le sont pas. La première tâche des chercheurs a donc été de créer une base de données d'illusions d'optique pour la formation.

Cela s'avère difficile. Le nombre d'images d'illusions d'optique statiques est de l'ordre de quelques milliers, et le nombre de types uniques d'illusions est certainement très faible, peut-être seulement quelques dizaines, disent-ils.

Cela représente un défi pour les systèmes d'apprentissage automatique actuels. La création d'un modèle capable d'apprendre à partir d'un ensemble de données aussi petit et limité représenterait un énorme pas en avant dans les modèles génératifs et la compréhension de la vision humaine, disent-ils.

Williams et Yampolskiy ont donc compilé une base de données de plus de 6 000 images d'illusions d'optique, puis formé un réseau de neurones pour les reconnaître. Ensuite, ils ont construit un réseau contradictoire génératif pour se créer des illusions d'optique.

Les résultats ont été décevants. Rien de valeur n'a été créé après 7 heures de formation sur un Nvidia Tesla K80, disent les chercheurs, qui ont mis leur base de données à la disposition d'autres personnes.

Néanmoins, c'est un résultat intéressant. Les seules illusions d'optique connues des humains ont été créées par l'évolution (par exemple, les motifs des yeux dans les ailes de papillon) ou par des artistes humains, soulignent-ils.

Dans les deux cas, les humains jouent un rôle crucial en fournissant une rétroaction précieuse - les humains peuvent voir l'illusion.

Mais les systèmes de vision artificielle ne le peuvent pas. Il semble peu probable qu'[un réseau contradictoire génératif] puisse apprendre à tromper la vision humaine sans être capable de comprendre les principes derrière ces illusions, disent Williams et Yampolskiy.

Ce n'est peut-être pas facile, car il existe des différences cruciales entre les systèmes de vision artificielle et le système visuel humain. Divers chercheurs développent des réseaux de neurones qui ressemblent de plus en plus au système visuel humain. Peut-être qu'un test intéressant sera de savoir s'ils peuvent ou non voir des illusions.

En attendant, Williams et Yampolskiy ne sont pas optimistes. Il semble qu'un ensemble de données d'images d'illusion pourrait ne pas être suffisant pour créer de nouvelles illusions, disent-ils. Donc, pour le moment, les illusions d'optique sont un bastion de l'expérience humaine que les machines ne peuvent pas conquérir.

Réf : arxiv.org/abs/1810.00415 : Ensemble de données d'images d'illusions d'optique

cacher