Views
2 months ago

ICTjournal juillet - août - septembre 2020

  • Text
  • Solutions
  • Selon
  • Responsable
  • Ainsi
  • Septembre
  • Netzmedien
  • Juillet
  • Gestion
  • Suisse
  • Entreprises

38 machine learning Des

38 machine learning Des chercheurs ont créé un algorithme capable de restaurer de vieilles photographies abîmées. Les progrès de l’IA appliquée aux images de visage Création de photos HD à partir d’images floues ou restauration de vieux clichés... l’intelligence artificielle progresse à grands pas. Egalement en matière de reconnaissance des visages: l’institut Idiap mène un projet d’algorithmes non biaisés. Yannick Chavanne, Rodolphe Koller Une nouvelle technique permet de produire plusieurs images HD différentes résultant d’une seule et même image floutée. Le domaine de la restauration d’image à coups d’IA semble particulièrement dynamique en ce moment. Des chercheurs américains ont par exemple développé une technique innovante pour recréer une image en haute résolution à partir d’une image dégradée en s’appuyant sur le machine learning. Nuance importante: le système ne retrouve pas la photo originale, mais produit une source plausible et réaliste de la photo floutée. Car il faut savoir que retrouver le visage de quelqu’un à partir d’une photo dégradée n’est pas possible, cette dernière ne contenant tout simplement pas les informations nécessaires pour retrouver l’original. Dans un article scientifique publié récemment, des chercheurs de l’université américaine de Duke (Caroline du Nord) décrivent une méthode innovante et performante pour arriver à créer un visage très réaliste en haute résolution à partir d’une image en basse résolution. Leur technique de super-résolution pourrait servir dans de multiples domaines où l’obtention d’images HD est compliquée, notamment pour des questions de coût et de mémoire – on pense notamment aux images satellite, à l’astronomie ou à la microscopie. Nouvelle approche, meilleurs résultats Jusqu’à présent, les techniques de machine learning pour produire une image en haute résolution à partir d’une image dégradée recouraient à des réseaux neuronaux convolutifs, expliquent les auteurs de l’article. Entraînés avec des paires d’images (dégradé, non-dégradé), ces systèmes recréent peu à peu une image de qualité en cherchant à minimiser l’écart avec l’image dégradée. Cette approche par optimisation a toutefois ses défauts. Certains détails, comme la texture, sont négligés, alors qu’ils sont importants pour l’impression de réel de la photo obtenue. Il en résulte une photo en haute résolution moyennement convaincante. Les chercheurs de l’Université de Duke ont développé une approche très différente avec des résultats bien supérieurs. «L’objectif devrait être de générer des images réalistes parmi l’ensemble des solutions possibles, c’est-à-dire de trouver des points qui se trouvent réellement sur la multitude d’images naturelles et qui peuvent aussi être dégradés correctement», expliquent-ils. Dit autrement, leur technique va créer d’abord une multitude d’images possibles en haute résolution à l’aide d’un modèle génératif (des visages par exemple). Ensuite, leur algorithme va rechercher parmi cette gigantesque galerie d’images celles qui, une fois dégradées, correspondent à l’image en input. Les images en haute résolution obtenues sont ainsi de juilletaoûtseptembre 2020 www.ictjournal.ch © netzmedien ag

machine learning 39 meilleure résolution et parfaitement réalistes car elles ne résultent pas d’une optimisation. Autre avantage de l’approche, elle ne nécessite pas d’entraîner le modèle au préalable avec des paires d’images. Enfin, le système permet de produire plusieurs images différentes résultant d’une seule et même image floutée. L’IA qui redonne une jeunesse aux vieilles photos Des travaux présentés il y a peu par des chercheurs de Microsoft et de l’université de Hong Kong présentent une technique pour appliquer un bon coup de lifting à de vieilles photographies. Leur algorithme peut par exemple redonner une jeunesse à des portraits dont le temps a fait passer la brillance et les couleurs. Ou lisser des photos endommagées par des pliures et écornures. La grande diversité des dégradations pouvant toucher les photos anciennes ne permet pas de faire appel à des modélisations de restauration d’images qui ont déjà fait leurs preuves, expliquent les chercheurs. Des modèles de deep learning basés sur des réseaux neuronaux convolutifs peuvent par exemple apprendre une tâche pour améliorer la qualité de photos, en étant au préalable entraîné via une multitude d’images synthétiques simulant des dégradations spécifiques. Or, la trop grande dissemblance entre ces images artificiellement dégradée et des photos anciennes abîmées empêche les réseaux neuronaux de créer des règles génériques. Un phénomène notamment dû à l’évolution progressive des techniques de photographie qui produisent des clichés contenant des artefacts différents selon les époques. Pour créer leur algorithme de restauration de photos anciennes, les chercheurs ont ainsi imaginé un réseau de traduction en triplet. Dans un premier temps, un auto-codeur variationnel compare les images synthétiques dégradées et les images anciennes dans ce que les chercheurs nomment un espace latent, constituant un nœud supplémentaire au sein du réseau neuronal. Les informations de ce premier espace latent sont ensuite croisées avec un second espace latent où les règles de restauration entre les images synthétiques dégradées et leurs originaux sont déduites. des visages peu importe leur origine ethnique ou leur genre, il est nécessaire de les former à l’aide d’une base de données d’images représentative. Pour la créer, une quinzaine d’étudiants à l’Idiap ont été mis à contribution pour labelliser plusieurs millions d’images, afin de générer des métadonnées descriptives, explique à ICTjournal Sébastien Marcel, responsable du groupe de recherche. L’objectif est de composer une base de données représentative, c’est-à-dire comprenant un nombre équilibré d’images de visages selon différents attributs (homme ou femme, individu de couleur ou caucasien, etc.) «A l’aide de cette base de données, nous allons soit créer des algorithmes, soit corriger les biais de modèles existants», ajoute le chercheur. Créer cette base de données à l’interne répond à plusieurs avantages. Le projet étant réalisé avec un partenaire industriel, les données ne peuvent pas être distribuées à l’externe pour des questions de sécurité. «Le fait de réaliser nous-mêmes ce travail nous permet aussi de vérifier de façon plus rapide la qualité de notre base de données», précise le responsable du projet. L’année dernière, un projet artistique avait suscité un certain buzz, en dénonçant le racisme et le sexisme des IA formées à l’aide de la base de données ImageNet. Créé en 2009 par des chercheurs des universités de Princeton et de Stanford, cet agrégateur d’images est l’un des stocks les plus utilisés pour entraîner des modèles de machine learning. Or, ces derniers sont souvent apparus discriminatoires, car à son lancement, ImageNet filtrait les images avec plus de 1500 étiquettes potentiellement offensantes, étiquettes désormais supprimées. Une quinzaine d’étudiants de l’Idiap ont été mis à contribution pour labelliser plusieurs millions d’images. Sébastien Marcel, responsable du groupe de recherche Biometrics Security and Privacy de l’Idiap. Image: Idiap L’Idiap se mobilise pour une reconnaissance des visages non biaisée Alors que les systèmes de restauration d’image progressent, ceux dévolus à la reconnaissance des visages nécessitent aussi des améliorations. Car bien souvent, les biais nés des banques d’images utilisées pour les former les rendent plus efficaces pour traiter des visages avec certains attributs, par exemple les personnes à la peau blanche. A Martigny, l’institut Idiap s’investit dans la création d’un système de reconnaissance faciale non biaisé. Un projet qui s’inscrit dans le cadre d’un partenariat avec une entreprise active dans le domaine de la sécurité. Pour mettre au point des algorithmes capables de reconnaître www.ictjournal.ch © netzmedien ag juilletaoûtseptembre 2020