Discussion :

[Arsene Newman]

Un nouvel algorithme pourrait bientôt révolutionner les systèmes de reconnaissance d’objets
ses performances seraient supérieures aux meilleurs algorithmes actuels

Une équipe de recherche de l’université américaine Brigham Young (BYU) a récemment annoncé le développement d’un nouvel algorithme pour les systèmes de reconnaissance d’objets.

Baptisé « Evolution-Constructed Features algorithm », il pourrait révolutionner la reconnaissance d’objets. Contrairement aux algorithmes utilisés jusqu’à présent, celui-ci serait soi-même en mesure d’apprendre à reconnaitre les objets.

Le professeur Dah-Jye Lee, auteur et chef de l’équipe de recherche, a confié ce qui suit : « Dans la plupart des cas, c’est l’être humain qui décide des objets sur lesquelles le système doit se focaliser, de ce fait les algorithmes développés sont dictés par ce choix préalablement fait. Dans notre cas, l’approche utilisée diffère, à l’image de photos d’animaux qu’on montre à un enfant, ce dernier sera en mesure d’identifier les animaux en se basant sur ses propres critères, c’est cette approche qui a été utilisée pour notre algorithme, il détecte les caractéristiques de chaque objets et en se basant sur cela, il les catégorise comme étant un piéton, un arbre ou encore un avion ».

Concernant les performances de « Evolution-Constructec Features Algorithm », l’équipe s’accorde à dire qu’à la suite de plusieurs tests, leur algorithme offre des performances supérieures aux autres. À titre d’exemple, lors d’un Benchmark basé sur le set de test Caltech, son score est de 100 % alors que les meilleurs systèmes disponibles sur le marché ont un score variant entre 95 et 98 %.

Pour rappel, Caltech est un set de test pour la reconnaissance faciale, ainsi que la reconnaissance d’objets tels que les voitures, les motos ou les avions.

Enfin, l’auteur a tenu à rassurer les plus sceptiques d’entre nous, en rappelant que ses travaux n’ont pas pour but de créer un quelconque Terminator du futur, mais qu’ils sont à des fins pacifiques et visent avant tout à améliorer les systèmes de reconnaissance d’objets et à s’affranchir de l’assistance humaine.

Source : Annonce sur le site de la BYU


Et vous ?

Que pensez-vous des systèmes de reconnaissance d’objets ?

[Paul TOTH]

si j'ai bien compris, au lieu de définir des critères pour identifier un humain, un arbre, un avion...on fourni au logiciel des photos d'humains en lui disant que ce sont des humains, des photos d'avions en lui disant que ce sont des avions... et il décide tout seul des critères lui permettant de distinguer les uns des autres.

ok, mais il faut bien définir un algorithme qui va caractériser une photo. Du coup je ne vois pas trop la différence, on ne lui indique plus quel caractère appartient à qui et dans quel proportion, mais il faut bien analyser la photo d'une manière ou d'une autre.

[Arsene Newman]

si j'ai bien compris, au lieu de définir des critères pour identifier un humain, un arbre, un avion...on fourni au logiciel des photos d'humains en lui disant que ce sont des humains, des photos d'avions en lui disant que ce sont des avions... et il décide tout seul des critères lui permettant de distinguer les uns des autres.

ok, mais il faut bien définir un algorithme qui va caractériser une photo. Du coup je ne vois pas trop la différence, on ne lui indique plus quel caractère appartient à qui et dans quel proportion, mais il faut bien analyser la photo d'une manière ou d'une autre.

En fait selon le professeur Dah-Jye Lee, son algorithme identifie les caractéristiques de chaque objet et par apprentissage il apprend a catégoriser les objets (ex : quelque chose qui vole dans le ciel, c'est soit un avion soit un oiseau .... après en se basant sur les caractéristiques de chacun il fera lui même le tri)

[laerne]

Ben… on lui dit plus d'analyser la rondeur d'un objet, ou sa forme verticale et plate (chaque fois un tas de pixels sur la photo) mais on le laisse déterminer comment associer les pixels d'une photo ensemble et comment catégoriser en critères ces associations ?

[Clotho]

C'est une variation sur thème de l'algorithme de Viola et Jones (Wiki) , non?

Le principe de l'apprentissage plus ou moins supervisé permettant à l'algo de déterminer ses propres classifieurs pour ensuite se faire une base de données de comparaison et arriver à un résultat plus ou moins efficace.

[Uranne-jimmy]

Enfin, l’auteur a tenu à rassurer les plus sceptiques d’entre nous, en rappelant que ses travaux n’ont pas pour but de créer un quelconque Terminator du futur, mais qu’ils sont à des fins pacifiques et visent avant tout à améliorer les systèmes de reconnaissance d’objets et à s’affranchir de l’assistance humaine.

La technologie n'a pas de but, c'est ce qu'on en fait qui provoque soit de bonne choses, soit des mauvaises ^^ Un flingue seul n'a jamais tué personne.

Mais oui, j'admets que c'est sympatoshe tout ça, mais pour apprendre a reconnaître, il faut une base ! Un enfant on lui apprends qu'un chien est un chien, et tout le reste, on apprend ensuite en cherchant (dico, net) ou en posant des questions. Un ordi de ce type ne sera jamais indépendant totalement à moins de le connecter au net, par exemple, en lui donnant les moyens de filter les contreinformation distillé un peu partout.

[Paul TOTH]

En fait selon le professeur Dah-Jye Lee, son algorithme identifie les caractéristiques de chaque objet et par apprentissage il apprend a catégoriser les objets (ex : quelque chose qui vole dans le ciel, c'est soit un avion soit un oiseau .... après en se basant sur les caractéristiques de chacun il fera lui même le tri)

oui mais comme il faut pour savoir que ça vole ? un ordinateur même avec une caméra n'a pas d'yeux, il faut bien lui dire comment regarder la photo, ce qu'il doit analyser (couleurs, densités de pixel, ...) et je suppose que ce sont ces mêmes éléments qui servent dans tous les algorithmes non ?

Google Image est capable de trouver des images similaires, mais là aussi il y a des critères de comparaison (qui ne sont pas forcément très différents d'ailleurs).

[xwz]

En fait, ce genre d'algorithmes existent depuis un moment, cf STDP (Spike-timing-dependent). Et le gros problème de ces algorithmes aujourd'hui c'est l'évaluation de la taille des échantillons d'apprentissage. Si on donne trop d'informations, le système peut rajouter du bruit dans les modèles de représentation de l'objet et donc ne plus rien reconnaître ou inversement, ne par mettre assez d'information et être trop spécifique à certains type d'objets.

Et dans l'article il y a des données manquantes, ils disent "Lee and his students fed their object recognition program four image datasets from CalTech (motorbikes, faces, airplanes and cars) and found 100 percent accurate recognition on every dataset.". Ok mais il y a combien d'images de chaque base qui a servit ? est-ce qu'ils ont fait l'entrainement sur TOUS les objets pour les reconnaître ensuite ? et les entraînements ont-ils été fait sur les 4 en même temps ou séparément ce qui permet de limiter les problèmes de faux positif ?

Mais sinon oui c'est cool si ça marche vraiment bien ... reste à voir le temps que prend la reconnaissance en fonction des bases et de leur taille.

[Xanadu]

Aujourd'hui, pour faire un système de reconnaissance d'objet, il faut choisir un algorithme d'apprentissage supervisé, une grande base d'images annotée, et des caractéristiques extraites des pixels à calculer. Pour chaque type d'objet, l'algorithme et les caractéristiques doivent être choisi avec soin et expertise, et les paramètres tunés à mort.
et c'est un algorithme par objet bien sûr.

une méthode qui marche aussi bien sur tous les types d'objet n'existe pas (ou a des perfs bien inférieurs aux systèmes fait main)
l'intérêt de cette méthode serait donc d'éviter de ré-inventer un algo par type d'objet... Il "suffit" juste de faire un apprentissage par type d'objet. Une sorte de méta-algo de reconnaissance.
Mais bon, à voir, car Caltech, c'est juste la base la plus facile qui existe, donc à voir ce que ça donne sur des corpus plus compliqués...

[23JFK]

skynet aussi était censé promouvoir la paix. Il est à craindre que n'importe quelle IA finisse par statuer que le seul problème du monde se dénomme Hommes.

[squizer]

skynet aussi était censé promouvoir la paix. Il est à craindre que n'importe quelle IA finisse par statuer que le seul problème du monde se dénomme Hommes.

On se contentera de tirer la prise alors..

[Matthieu Vergne]

Si l'algo est suffisamment "sage" pour considérer l'Homme comme n'importe quel animal, on n'aura pas plus de raison d'être à éliminer que des poissons. Donc tant que l'algo n'inclut pas la fierté mal placée de notre espèce, on devrait être à peu près tranquille {^_^}.

[Pelote2012]

Si on le connecte au Web, quel idiotie va -t-il apprendre
Tapez "chat poney" sous google, il risque d'avoir des surprises

[Matthieu Vergne]

Si on le connecte au Web, quel idiotie va -t-il apprendre
Tapez "chat poney" sous google, il risque d'avoir des surprises

Au moins il sera au courant aussi des tendances {^o^}.

[souviron34]

D'ailleurs Brigham Young, c'est la grande université des Mormons...

C'est sûr que c'est super qu'il fabriquent un système de reconnaissance

[fatmaif]

Bonjour,
Je suis débutante dans le domaine des réseaux de neurone .Mon projet consiste à concevoir un systeme d'apprentissage pour les maisons autonomes afin d'utomatiser le comportement des personnes .
En fait en se basant sur une base des données qui contient tous les données issus des capteurs(de mouvement,de contact,..) installés dans la maison, on va apprendre le réseau de neurone de ce comportement pour l'executer automatiquement.
donc mon probleme c'est que je n'ai pas trouvé un algorithme qui répond à mes besoins

[Matthieu Vergne]

Je doute que tu sois au bon endroit : on parle d'un article en particulier et de sujets qui s'y rapportent, on n'est pas là pour résoudre les problèmes des intervenants. Pour ton problème, je te suggère de lire les pages Wikipédia française et anglaise sur les réseaux de neurones (neural networks en anglais) et de suivre les liens externes en bas de ces pages. Tu peux ajouter à ça quelques recherches sur Google Scholar. Tu finiras bien par trouver des idées. Des réseaux de neurones, c'est avant tout des structures qui peuvent avoir diverses formes et utiliser différentes fonctions, donc tu en as pour tous les goûts, ça ne se limite pas à quelques algos.