Apprentissage profond et recalage d’images : l’union fait la force

Et si, au lieu d’expliquer à un ordinateur comment résoudre un problème, vous le laissiez apprendre par lui-même ? Dans le domaine de l’apprentissage automatique, les méthodes d’apprentissage profond révolutionnent l’intelligence artificielle et la vision par ordinateur. Elles offrent aux machines la possibilité d’apprendre à effectuer des activités humaines comme écouter et voir. Par exemple, pour des tâches visuelles aussi fondamentales que la classification d’images ou la reconnaissance d’objets, certains algorithmes d’apprentissage profond se sont avérés bien plus performants que toutes les autres stratégies habituelles. Le Dr Enzo Ferrante essaie de comprendre comment utiliser ces algorithmes pour résoudre la problématique du recalage – un processus consistant à faire correspondre les images d’un même objet générées à divers moments, et par différents dispositifs ou avec différentes perspectives. Son objectif est d’améliorer la rapidité et la précision des méthodes et outils de recalage actuels pour, à terme, accroître la fiabilité de l’interprétation des images et accélérer les processus de prise de décision.

L’essor de la production de données d’image, qu’il s’agisse d’images satellites, ou de données générées par les téléphones mobiles ou l’imagerie médicale, offre de formidables opportunités dans les domaines de la compréhension des risques pesant sur la vie humaine et l’environnement. « Par exemple, il est possible de mesurer les dégâts causés par une catastrophe naturelle en alignant les images satellites capturées avant et après l’événement, et en les comparant », explique le Dr Enzo Ferrante. « Les images médicales peuvent également être analysées par le biais du recalage, afin de les comparer et d’essayer de repérer des similarités entre des patients atteints ou non d’une certaine pathologie. Le recalage d’image est indissociable de la vision artificielle. De nombreuses recherches ont été réalisées sur le sujet, mais la plupart visent essentiellement à modéliser explicitement les images et à expliquer à l’ordinateur comment les aligner avec précision. Désormais, avec l’avènement de l’ère du Big Data et des méthodes d’apprentissage profond, nous savons qu’il existe une autre approche : laisser l’ordinateur apprendre par lui-même ». « Dans le domaine de la vision artificielle, cette nouvelle stratégie s’est avérée plus facile et plus précise », remarque le Dr Enzo Ferrante, ajoutant qu’il s’agit là d’un changement de paradigme.

Une technique de vision artificielle inspirée du cerveau biologique

La catégorie de modèles d’apprentissage profond que le Dr Enzo Ferrante envisage d’appliquer au recalage d’images sont appelés réseaux de neurones convolutifs (RNC). Comme le terme « réseau neuronal » le suggère, ces modèles informatiques sont inspirés du cerveau humain et sont capables de réaliser des tâches d’une extrême complexité, tout en nécessitant peu de traitement préalable par rapport aux autres algorithmes d’apprentissage automatique. Par ailleurs, pour réduire davantage le volume de données d’image requis pour former un tel réseau, le Dr Enzo Ferrante vise à incorporer des connaissances préalables à son modèle de recalage d’image basé RNC. Son idée est de dépasser la simple observation visuelle en introduisant des données contextuelles telles que des informations sur l’anatomie.

Les images peuvent contenir des informations masquées, essentielles quant aux risques pour l’environnement et la vie humaine. À cet égard, les algorithmes de recalage d’images aident les chercheurs spécialisés dans les sciences de la terre et de la santé à élaborer des études basées sur l’agrégation et la comparaison d’images. Les recherches sur des maladies qui demeurent largement inexpliquées, comme Alzheimer, pourraient bénéficier grandement des avancées en matière d’exactitude et de rapidité de calcul apportées par le projet du Dr Enzo Ferrante. De même, ses méthodes et outils innovants de recalage d’images contribueront vraisemblablement à une meilleure interprétation par l’image des changements climatiques et de leurs conséquences à la surface de la Terre.