Système d’apprentissage profond qui apprend mieux lorsqu’il est distrait

Les informaticiens des Pays-Bas et d’Espagne ont déterminé comment un système d’apprentissage profond apprend mieux lorsqu’il est distrait. L’intelligence artificielle (IA) est destinée à la reconnaissance d’images et peut apprendre à reconnaître son environnement. L’équipe a pu simplifier le processus d’apprentissage après avoir forcé le système à se concentrer sur les caractéristiques secondaires.

Réseaux de neurones convolutionnels

Le système d’apprentissage profond repose sur les réseaux de neurones convolutionnels (CNN), qui constituent une forme d’apprentissage profond pour les systèmes d’IA.

Estefanía Talavera Martinez est maître de conférences et chercheuse à l’Institut Bernoulli pour les mathématiques, l’informatique et l’intelligence artificielle de l’Université de Groningue aux Pays-Bas.

« Ces CNN sont efficaces, mais nous ne comprenons pas pleinement leur fonctionnement », déclare Talavera Martinez.

Talavera Martinez a utilisé les CNN pour analyser les images provenant de caméras portables tout en étudiant le comportement humain. Certaines de ses recherches ont porté sur l’étude des interactions humaines avec la nourriture, elle a donc cherché à faire en sorte que le système reconnaisse les différents contextes dans lesquels les gens rencontrent la nourriture.

« J’ai remarqué que le système faisait des erreurs dans la classification de certaines images et j’avais besoin de savoir pourquoi cela se produisait », a-t-elle déclaré.

Elle a utilisé des cartes de chaleur et a analysé les parties des images utilisées par les CNN pour identifier le contexte.

« Cela a conduit à l’hypothèse que le système ne regardait pas suffisamment de détails », a-t-elle déclaré.

Un exemple donné était celui d’un système d’IA qui s’était appris à utiliser les tasses pour identifier une cuisine. Dans cet exemple, le système d’IA pouvait mal classer des endroits comme des salons et des bureaux, qui ont également souvent des tasses.

Talavera Martinez et son équipe ont ensuite cherché à développer une solution. Ses collègues comprenaient David Morales et Beatriz Remeseiro, tous deux en Espagne. La solution proposée consistait à distraire le système de ses objectifs principaux.

Développement de la solution

L’équipe a formé les CNN avec un ensemble d’images standard d’avions ou de voitures, et ils ont identifié les parties des images utilisées pour la classification à l’aide de cartes de chaleur. Ces parties des images ont ensuite été floutées dans l’ensemble d’images, et l’ensemble d’images a été utilisé pour une deuxième série de formations.

« Cela force le système à regarder ailleurs pour les identificateurs. Et en utilisant ces informations supplémentaires, il devient plus précis dans sa classification », a déclaré Talavera Martinez.

Le nouveau système a bien fonctionné dans les ensembles d’images standard et a été efficace dans les images collectées à partir de caméras portables.

« Notre régime de formation nous donne des résultats similaires à ceux d’autres approches, mais il est beaucoup plus simple et nécessite moins de temps de calcul », a-t-elle déclaré.

Les tentatives précédentes pour améliorer la classification fine-graine ont porté sur la combinaison de différents ensembles de CNN, mais la nouvelle approche développée est beaucoup plus légère.

« Cette étude nous a donné une meilleure idée de la façon dont ces CNN apprennent, et cela nous a aidés à améliorer le programme de formation », a déclaré Talavera Martinez.