Reconnaissance d'objets par apprentissage d'images - Réseaux de neurones à champs récepteurs aléatoires

Paméla Daum (1) , Jean-Luc Buessler (1) , Jean-Philippe Urban (1)

1 MIPS - Modélisation, Intelligence, Processus et Système

Cet article présente une technique originale pour l'apprentissage dans le domaine de l'analyse d'images. Des travaux récents ont montré qu'un apprentissage rapide et efficient pouvait être obtenu en adaptant uniquement les poids de sortie d'un réseau neuronal lorsqu'il est composé d'un grand nombre de neurones artificiels. Nous avons adapté cette stratégie à l'image où elle s'avère d'une surprenante efficacité. Pour travailler avec des images plutôt qu'avec un vecteur de données, les poids d'entrée du réseau sont considérés comme les composantes d'un champ récepteur. Chaque neurone répond à un champ récepteur dont les paramètres, tels que position, taille ou couleur, sont aléatoires La couche adaptative est ajustée par une régression linéaire, sans aucune itération, sans boosting, ou sélection de variables. Ce réseau, très simple, s'avère étonnamment performant en classification comme pour l'approximation de fonctions par apprentissage supervisé. Il exploite directement des images sans extraction préalable de caractéristiques. La reconnaissance, quasiment sans erreur, de 1000 objets en rotation à partir de 72000 photographies de la base ALOI illustre les remarquables propriétés de cette approche.

Mots clés: réseaux de neurones artificiels; traitement d'image; classification; extreme learning machine; echo state networks; apprentissage supervisé

Domaines: Intelligence artificielle [cs.AI]; Vision par ordinateur et reconnaissance de formes [cs.CV]

Paméla Daum, Jean-Luc Buessler, Jean-Philippe Urban. Reconnaissance d'objets par apprentissage d'images - Réseaux de neurones à champs récepteurs aléatoires. RFIA 2012 (Reconnaissance des Formes et Intelligence Artificielle), Jan 2012, Lyon, France. pp.978-2-9539515-2-3. ⟨hal-00656567⟩