Un nouveau type de vision par ordinateur ne peut pas être trompé par un éclairage étrange

Catégorie: Non classé Posté 21 novembre

La vision par ordinateur a parcouru un long chemin depuis image net , un grand ensemble de données open source d'images étiquetées, a été publié en 2009 pour que les chercheurs puissent l'utiliser pour former l'IA, mais les images avec un éclairage délicat ou mauvais peuvent toujours confondre les algorithmes. Les chercheurs ont soit essayé d'utiliser des règles artisanales sur la façon dont la lumière interagit avec les objets, soit utilisé un ensemble de données qui couvre autant de situations d'éclairage que possible. Mais il existe une combinaison presque illimitée d'objets et de lumière dans le monde réel, handicapant les deux approches.

Un nouvel article rédigé par des chercheurs du MIT et de DeepMind détaille un processus qui peut identifier des images sous différents éclairages sans avoir à coder manuellement des règles ou à s'entraîner sur un énorme ensemble de données. Le processus, appelé réseau intrinsèque rendu (RIN), sépare automatiquement une image en couches de réflectance, de forme et d'éclairage. Il recombine ensuite les calques en une reconstruction de l'image d'origine.

Pour former RIN, les chercheurs ont créé un ensemble de données de cinq formes - cubes, sphères, cônes, cylindres et tores - et ont rendu chacun avec 10 orientations différentes et 500 couleurs différentes. Comme preuve de concept, les chercheurs ont montré comment la décomposition d'une image en trois couches pouvait aider un ordinateur à identifier ce qu'est un élément dans une image ou à en déduire sa forme. Par exemple, le modèle a appris à repérer des éléments beaucoup plus compliqués, comme les modèles de test d'image classiques Lapin de Stanford , Théière Utah , et Suzanne de Blender - après avoir été formé sur les formes d'échantillons de base, sans jamais voir d'exemples étiquetés.

En plus d'offrir une nouvelle façon de surmonter le problème des situations d'éclairage infinies pour une image, RIN est également un exemple d'apprentissage avec des données non étiquetées. La plupart des IA ont encore besoin de données étiquetées pour apprendre, et leur préparation prend des heures de travail humain répétitif. Trouver un moyen d'apprendre à partir de données non étiquetées est l'une des prochaines frontières de l'intelligence artificielle.