Réseau de neurones artificiels

Réseau de neurones artificiels

Rapide état des lieux des technologies permettant l’analyse d’images et la reconnaissance d’objets

 Analyse discriminante

Il existe un grand nombre de méthodes statistiques traditionnelles permettant de classer des éléments ou de reconnaître des formes. Nous ne traiterons cependant que de l’analyse discriminante, car elle peut être utile à la compréhension de la solution retenue.
Extrait de la revue de statistique appliquée, selon Ulmo (1973, Première partie : l’analyse discriminante, page 18) : « L’analyse discriminante (A.D.) est une technique de classement ou de reconnaissance des formes par opposition à la typologie ou à la classification. ». Source : François Engel, Christian Viel et Hervé Chanut. « Développement d’un modèle statistique de prévision à 24 heures d’un dépassement du seuil d’information de la population pour l’ozone », Pollution atmosphérique [en ligne]. [Consulté le 11.02.2020]. Disponible à l’adresse :http://lodel.irevues.inist.fr/pollution-atmospherique/index.php?id=3538
Cette méthode répond à notre problématique consistant principalement à détecter la présence d’un objet sur une image, il suffit pour cela d’extraire les caractéristiques des images puis d’y appliquer l’analyse discriminante. Il existe d’autres approches qui pourraient répondre à cette problématique comme l’analyse en composant principal ou la classification bayésienne (Crowley 2001). Cependant elles ne seront pas traitées dans le présent document, car elles ne sont pas ou plus utilisées dans le but de résoudre ce genre de problématique à l’heure actuelle (VanderPlas 2016). Hormis une rapide exposition dans les chapitres suivants concernant l’apprentissage automatique et les réseaux de neurones (Bardos, Zhu 1997).

 Apprentissage automatique

L’apprentissage automatique aussi appelé par son équivalent anglophone « machine learning » est un ensemble de méthodes à l’intersection des statistiques, de l’intelligence artificielle et de l’informatique. Il consiste à appliquer des algorithmes afin de donner aux ordinateurs la capacité d’apprendre en fonction des données qui leur sont présentées (Müller, Guido, 2017). L’apprentissage automatique permet de détecter des objets dans des images et de les classer (Müller, Guido, 2017). Un exemple récent d’utilisation est la classification de tumeurs selon leur type et leur degré de croissance (Tang, Zawaski, Francis et al 2019). Selon (Müller, Guido, 2017), en utilisant l’apprentissage automatique il suffit d’utiliser une grande quantité d’images pour que l’algorithme détermine les caractéristiques nécessaires pour identifier un objet, ce qui s’avère beaucoup plus compliqué avec une autre approche que l’apprentissage automatique comme l’élaboration de règles de décision nécessitant une compréhension approfondie du domaine. Qui plus est, le changement d’une seule règle peut nécessiter la réécriture de l’entier du système. Un exemple de l’échec de cette approche codée à la main consiste à détecter les visages dans les images. Aujourd’hui, chaque smartphone peut détecter un visage dans une image grâce à l’apprentissage automatique, mais la détection des visages était un problème non résolu jusqu’en 2001.

 Apprentissage supervisé

Les algorithmes d’apprentissage automatique qui mettent en œuvre un apprentissage par paire des données d’entrée et de sortie (inputs/outputs) sont appelés « supervisés », car il y a une intervention et une supervision humaines (Müller, Guido 2017). Actuellement, l’apprentissage automatique supervisé est la méthode la plus utilisée et souvent la plus efficace pour détecter un objet dans une image (Géron 2019). Ce type d’apprentissage correspond à notre problématique, car on connaît les données de sortie (outputs). Dans notre cas les données d’entrée sont les images et les données de sortie les objets recherchés. Parmi les algorithmes d’apprentissage automatique supervisés les plus utilisés, on trouve : Les arbres de décision, les k plus proches voisins, les machines à vecteurs, la régression logistique, la classification naïve bayésienne et les réseaux de neurones profonds (Müller, Guido 2017).

 Apprentissage non supervisé

Dans l’apprentissage non supervisé, seules les données d’entrée (inputs) sont connues. Les données de sortie (outputs) ne sont pas connues (Müller, Guido 2017). Ce type d’apprentissage est utilisé lorsqu’on ne connaît pas ou mal les données de sortie (outputs). Ce qui n’est pas le cas avec notre problématique.

 Réseau de neurones artificiels

Un réseau de neurones artificiels est un assemblage interconnecté d’éléments, d’unités ou de nœuds de traitement simples, dont la fonctionnalité est globalement basée sur les neurones biologiques (animal ou humain). La capacité de traitement de l’information du réseau est stockée dans les forces ou poids d’interconnexion (poids synaptique), obtenus par un processus d’adaptation ou d’apprentissage à partir d’un ensemble de modèles de formation (Gurney 1997).
Les réseaux de neurones apprennent par induction, c’est-à-dire par expérience, en étant confrontés à des données en entrée (input) et en sortie (output). Selon (Bastien 2019) : « En règle générale, un réseau de neurones repose sur un grand nombre de processeurs opérant en parallèle et organisés en tiers. Le premier tiers reçoit les entrées d’informations brutes, un peu comme les nerfs optiques de l’être humain lorsqu’il traite des signaux visuels. Par la suite, chaque tiers reçoit les sorties d’informations du tiers précédent. On retrouve le même processus chez l’Homme, lorsque les neurones reçoivent des signaux en provenance des neurones proches du nerf optique. Le dernier tiers, quant à lui, produit les résultats du système. »

Table des matières

 Déclaration
Remerciements
Résumé
Liste des tableaux
Liste des figures
1. Introduction
1.1 Définitions
1.1.1 Indicateurs de performance
1.1.2 Termes techniques
1.2 Portée et objectif
2. Analyse des besoins
2.1 Cahier des charges
2.1.1 Qualités fonctionnelles
2.1.2 Qualités non fonctionnelles
3. Choix technologiques
3.1 Rapide état des lieux des technologies permettant l’analyse d’images et la reconnaissance d’objets
3.1.1 Analyse discriminante
3.1.2 Apprentissage automatique
3.1.3 Réseau de neurones artificiels
3.1.4 Apprentissage profond
3.1.5 Réseau de neurones à convolution (CNN)
3.2 Choix des technologies permettant l’analyse d’images et la reconnaissance d’objets
3.2.1 Choix de la technologie et de l’algorithme
3.2.2 Choix de l’outil d’apprentissage automatique
3.2.3 Choix du langage de programmation
3.2.4 Environnement de développement
3.2.5 Environnement de déploiement
4. Architecture de l’application
4.1 Use case
4.2 Diagramme de classe
4.3 Diagramme de séquence
4.4 Arborescence de l’application
5. Analyse et choix des données utilisées
5.1.1 Objets à détecter et catégories
5.2 Caractéristiques des données
5.2.1 Définition, quantité et qualité
5.2.2 Origine des données
5.3 Prétraitement et préparation des données
6. Développement et implémentation
6.1 Récolte des données
6.2 Modèle de classification
6.2.1 1re étape – modèle et structure de détection
6.2.2 2e étape – transfer learning
6.2.3 3e étape – tests et optimisation
6.2.4 4e étape – gestion des exceptions, logs et traitements concurrents
6.3 Interface graphique
6.3.1 Composition de l’interface graphique
6.4 Normes et conventions
7. Tests et performances
7.1 Méthode de validation
7.2 Résultats des tests
7.3 Cas limites et curiosités
8. Déploiement
8.1 Prérequis
8.2 Installation de l’environnement d’exécution
8.3 Installation du programme
8.4 Exécution du programme
9. Conclusion
9.1 Perspectives
9.1.1 Réentraînement du modèle
9.1.2 Ajout de nouvelles catégories
9.1.3 Ajout d’un détecteur ou d’un nouveau classificateur
9.1.4 Mise en ligne et application distante
9.1.5 Traitement des vidéos
Bibliographie
Annexe 1 : Manuel d’installation de l’application
Annexe 2 : Manuel d’utilisation de l’application
Annexe 3 : Manuel de mise à jour du modèle de classification
Annexe 4 : Document de vision
Annexe 5 : Code source et données

Télécharger le rapport complet