Les réseaux profonds «voient-ils» aussi bien que les humains?

Les réseaux profonds «voient-ils» aussi bien que les humains?

Dans l’effet Thatcher (à gauche), deux versions inversées de Margaret Thatcher se ressemblent de manière trompeuse, mais sont radicalement différentes si vous faites pivoter cette page à l’envers. En comparant la distance entre ces visages droits et inversés dans des réseaux profonds, les auteurs ont pu déterminer si l’effet Thatcher se produit dans des réseaux profonds entraînés sur des objets ou dans des réseaux profonds entraînés sur des visages. Crédit: Adapté de Jacob et al., 2021

Une nouvelle étude du Center for Neuroscience (CNS) de l’Indian Institute of Science (IISc) explore dans quelle mesure les réseaux de neurones profonds se comparent au cerveau humain en ce qui concerne la perception visuelle.

Les réseaux de neurones profonds sont des systèmes d’apprentissage automatique inspirés du réseau de cellules cérébrales ou de neurones du cerveau humain, qui peuvent être entraînés pour effectuer des tâches spécifiques. Ces réseaux ont joué un rôle central en aidant les scientifiques à comprendre comment notre cerveau perçoit les choses que nous voyons. Bien que les réseaux profonds aient considérablement évolué au cours de la dernière décennie, ils sont encore loin d’être aussi performants que le cerveau humain dans la perception des signaux visuels.

Dans une étude récente, SP Arun, professeur associé au CNS, et son équipe ont comparé diverses propriétés qualitatives de ces réseaux profonds avec celles du cerveau humain. Les réseaux profonds, bien qu’un bon modèle pour comprendre comment le cerveau humain visualise les objets, fonctionnent différemment de ces derniers. Bien que les calculs complexes soient pour eux triviaux, certaines tâches relativement faciles pour les humains peuvent être difficiles à réaliser pour ces réseaux. Dans la présente étude, publiée dans Communications de la nature, Arun et son équipe ont tenté de comprendre quelles tâches visuelles peuvent être exécutées naturellement par ces réseaux en raison de leur architecture, et lesquelles nécessitent une formation complémentaire.

L’équipe a étudié 13 effets perceptifs différents et a découvert des différences qualitatives jusque-là inconnues entre les réseaux profonds et le cerveau humain. Un exemple est l’effet Thatcher, un phénomène où les humains ont plus de facilité à reconnaître les changements de caractéristiques locales dans une image verticale, mais cela devient difficile lorsque l’image est inversée. Les réseaux profonds formés pour reconnaître les visages droits ont montré un effet Thatcher par rapport aux réseaux formés pour reconnaître les objets. Une autre propriété visuelle du cerveau humain, appelée confusion miroir, a été testée sur ces réseaux. Pour les humains, les reflets du miroir le long de l’axe vertical semblent plus similaires que ceux le long de l’axe horizontal. Les chercheurs ont constaté que les réseaux profonds montrent également une plus forte confusion des miroirs pour les images verticales par rapport aux images réfléchies horizontalement.

Un autre phénomène propre au cerveau humain est qu’il se concentre d’abord sur des détails plus grossiers. C’est ce qu’on appelle l’effet d’avantage global. Par exemple, dans l’image d’un arbre, notre cerveau verrait d’abord l’arbre dans son ensemble avant de remarquer les détails des feuilles qu’il contient. De même, lorsqu’ils sont présentés avec une image d’un visage, les humains regardent d’abord le visage dans son ensemble, puis se concentrent sur des détails plus fins comme les yeux, le nez, la bouche, etc., explique Georgin Jacob, premier auteur et Ph.D. étudiant au CNS. «Étonnamment, les réseaux de neurones ont montré un avantage local», dit-il. Cela signifie que contrairement au cerveau, les réseaux se concentrent d’abord sur les détails les plus fins d’une image. Par conséquent, même si ces réseaux de neurones et le cerveau humain effectuent les mêmes tâches de reconnaissance d’objets, les étapes suivies par les deux sont très différentes.

«De nombreuses études ont montré des similitudes entre les réseaux profonds et les cerveaux, mais personne n’a vraiment examiné les différences systématiques», explique Arun, qui est l’auteur principal de l’étude. Identifier ces différences peut nous pousser plus près de rendre ces réseaux plus semblables à un cerveau.

De telles analyses peuvent aider les chercheurs à construire des réseaux de neurones plus robustes qui non seulement fonctionnent mieux, mais sont également immunisés contre les «attaques adverses» qui visent à les faire dérailler.


Les réseaux de neurones convolutifs peuvent être trompés par les mêmes illusions visuelles que les humains


Plus d’information:
Georgin Jacob et coll. Similitudes et différences qualitatives dans les représentations d’objets visuels entre les cerveaux et les réseaux profonds, Communications de la nature (2021). DOI: 10.1038 / s41467-021-22078-3

Fourni par Indian Institute of Science

Citation: Les réseaux profonds «voient-ils» aussi bien que les humains? (2021, 21 avril) récupéré le 21 avril 2021 sur https://techxplore.com/news/2021-04-deep-networks-humans.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.