Vers le site Automates Intelilgents
La Revue mensuelle n° 185
Robotique, vie artificielle, réalité virtuelle

Information, réflexion, discussion
logo admiroutes

Tous les numéros


Archives
(classement par rubrique

Image animée
 Dans La Revue
 

Retour au sommaire

Article. Neurones biologiques et neurones artificiels: des performances différentes
Jean-Paul Baquiast 01/10/2017



Il est encore très difficile de comprendre par l'observation directe comment fonctionnent les zones du cerveau, fut-ce pour des tâches apparemment simples telles qu'identifier des changements dans un milieu observé.

Par observation directe, on entendra essentiellement les méthodes d'imagerie cérébrale 1). Elles ont pu commencer à faire apparaître les neurones ou réseaux de neurones composant une aire donnée, ainsi que leur activation lors d'activités cognitives simples, mais dès que celles-ci se complexifient, l'imagerie cérébrale perd pied, si l'on peut dire.

Pour mieux comprendre les processus impliqués, il faut faire appel à des réseaux de neurones artificiels que l'on confronte à des tâches de même nature. Les expériences se multiplient en ce domaine. Un article publié par le journal Current Biology et référencée in fine relate l'étude conduite par une équipe dirigée par le Pr Miguel Eckstein à l'Université de Californie, Santa Barbara.

Les chercheurs ont comparé la façon dont 60 témoins réagissaient à des images fixes générées par ordinateur et comportant des objets dont la taille, trop grande ou trop petite, n'était pas compatible avec l'ensemble de la scène ( par exemple la brosse à dents dans l'image ci-dessus). On sera surpris en apprenant
qu'ils ne s'en apercevaient généralement pas, même en observant directement l'objet sur l'image. .

Au contraire, la vision par ordinateur semble généralement plus efficace dans ce domaine. Celle-ci utilise des réseaux neuronaux artificiels faisant appel à des algorithmes organisés sur le mode du cerveau humain et conçus pour identifier les formes et les mouvements 2) Dans le cas de l'exemple, l'anormalité de la taille de la brosse sera immédiatement signalée.

Mais elle a ses propres limitations, qui ne lui permettent pas de réaliser des observations plus complexes telles que celles auxquelles se livrent l'ensemble des êtres vivants dotés de vision, y compris les insectes.

Ainsi les cerveaux humains identifient un objet nouveau en quelques millisecondes et utilisent cette information pour guider le regard vers des scènes faisant apparaître cet objet. Ils ne s'attardent pas ce faisant aux hétérogénéité locales de formes qui feraient perdre de vue l'ensemble de la scène.

On peut penser que ces facultés ont favorisé la survie des organismes en étant dotés, en leur permettant de s'adapter rapidement à des changements globaux de décor, plutôt que s'égarer dans les détails. Elles auraient par conséquent été sélectionnées et enrichies au cours de l'évolution.

L'article présente un certain nombre d'applications prometteuses de ce mode de recherche, comparant les performances des réseaux neuronaux biologiques et artificiels. Ainsi le dysfonctionnement du regard dans certaines pathologies mentales sera mieux compris et peut-être traité. A l'inverse, la vision par ordinateur sera améliorée.


Abstract of Humans, but Not Deep Neural Networks, Often Miss Giant Targets in Scenes

Even with great advances in machine vision, animals are still unmatched in their ability to visually search complex scenes. Animals from bees [ 1, 2 ] to birds [ 3 ] to humans [ 4–12 ] learn about the statistical relations in visual environments to guide and aid their search for targets. Here, we investigate a novel manner in which humans utilize rapidly acquired information about scenes by guiding search toward likely target sizes. We show that humans often miss targets when their size is inconsistent with the rest of the scene, even when the targets were made larger and more salient and observers fixated the target. In contrast, we show that state-of-the-art deep neural networks do not exhibit such deficits in finding mis-scaled targets but, unlike humans, can be fooled by target-shaped distractors that are inconsistent with the expected target’s size within the scene. Thus, it is not a human deficiency to miss targets when they are inconsistent in size with the scene; instead, it is a byproduct of a useful strategy that the brain has implemented to rapidly discount potential distractors.

Reference:

Humans, but Not Deep Neural Networks, Often Miss Giant Targets in Scenes
http://www.cell.com/current-biology/fulltext/S0960-9822(17)30972-7

Notes

1) Voir wikipedia . Imagerie cérébrale ou neuroimagerie
https://fr.wikipedia.org/wiki/Imagerie_c%C3%A9r%C3%A9brale

2) Voir Introduction to deep neural networks
https://deeplearning4j.org/neuralnet-overview