reconnaissance-image-réseau-de-neurones

Optica, la revue de l’Optical Society rapporte que des chercheurs ont enseigné à un type d’algorithme d’apprentissage automatique, appelé réseau de neurones profonds à reconnaître des images à partir d’un motif constitué de taches, qu’elles transmettent à l’extrémité d’une fibre. Ce travail pourrait améliorer l’imagerie endoscopique pour le diagnostic médical, augmenter la quantité d’informations transportées sur les réseaux de télécommunications à fibre optique ou augmenter la puissance fournie par les fibres optiques.

« Nous utilisons des architectures de réseaux de neurones profonds pour extraire des images d’entrée, de la sortie brouillée de la fibre optique », a déclaré Demetri Psaltis, de l’Institut fédéral suisse de technologie de Lausanne, qui a mené les recherches en collaboration avec son collègue Christophe Moser. « Nous démontrons que cela est possible pour des fibres allant jusqu’à 1 kilomètre de long », a-t-il ajouté, qualifiant ce travail de « jalon important ».

Déchiffrer le flou

Les fibres optiques transmettent des informations avec la lumière. Les fibres multimodes ont une capacité de transport d’informations beaucoup plus grande que les fibres monomodes. Leurs nombreux canaux – appelés modes spatiaux car ils ont des formes spatiales différentes – peuvent transmettre différents flux d’informations simultanément.

Bien que les fibres multimodes conviennent bien pour transporter des signaux lumineux, la transmission d’images pose des problèmes. La lumière de l’image qui traverse tous les canaux et ce qui en ressort est un motif de taches que l’œil humain ne peut pas décoder. Pour s’attaquer à ce problème, Psaltis et son équipe se sont tournés vers un réseau de neurones profonds, un type d’algorithme d’apprentissage automatique qui fonctionne comme le cerveau humain.

Les réseaux de neurones profonds permettent aux ordinateurs d’identifier des objets dans des photographies et d’améliorer les systèmes de reconnaissance vocale. L’entrée est traitée à travers plusieurs couches de neurones artificiels, chacune effectuant un petit calcul et transmettant le résultat à la couche suivante. L’appareil apprend à identifier l’entrée en reconnaissant les modèles de sortie qui lui sont associés.

« Si nous pensons à l’origine que ces réseaux de neurones sont notre propre cerveau, le processus est simple », explique Eirini Kakkava, doctorante travaillant sur le projet. « Quand une personne regarde un objet, les neurones dans le cerveau sont activés, indiquant la reconnaissance d’un objet familier. Notre cerveau peut le faire car il se forme tout au long de notre vie avec des images ou des signaux de la même catégorie des connexions entre les neurones. » Pour former un réseau neuronal artificiel, les chercheurs suivent essentiellement le même processus, en apprenant au réseau à reconnaître certaines images (ici des chiffres manuscrits) jusqu’à ce qu’il soit capable de reconnaître des images de la même catégorie que les images d’apprentissage qu’il n’a pas vues auparavant.

Apprendre par les nombres

Pour former leur système, les chercheurs se sont tournés vers une base de données contenant 20 000 échantillons de chiffres manuscrits, de 0 à 9. Ils en ont sélectionné 16 000 comme données de formation et mis de côté 2 000 pour valider la formation, et 2 000 pour tester le système. Ils ont utilisé un laser pour illuminer chaque chiffre et ont envoyé le faisceau lumineux à travers une fibre optique, qui contenait environ 4 500 canaux, vers une caméra située à l’autre bout. Un ordinateur a mesuré la variation de l’intensité de la lumière de sortie sur l’image capturée et a recueilli une série d’exemples pour chaque chiffre.

Bien que les modèles collectés pour chaque chiffre aient été identiques à ceux de l’œil humain, le réseau neuronal était capable de discerner les différences et de reconnaître les modèles associés à chaque chiffre. Les tests effectués avec les images mises en réserve ont montré que l’algorithme avait une précision de 97,6% pour les images transmises via une fibre de 0,1 mètre de long et une précision de 90% avec une longueur de fibre de 1 kilomètre.

Une méthode plus simple

Navid Borhani, membre de l’équipe de recherche, affirme que cette méthode d’apprentissage par machine est beaucoup plus simple que d’autres méthodes pour reconstruire des images transmises par des fibres optiques, qui nécessitent une mesure holographique de la sortie. Le réseau neuronal était également capable de faire face aux distorsions causées par les perturbations environnementales de la fibre, telles que les fluctuations de température ou les mouvements provoqués par les courants d’air, qui peuvent ajouter du bruit à l’image – une situation qui s’aggrave avec la longueur des fibres.

« La capacité remarquable des réseaux de neurones profonds à récupérer des informations transmises par des fibres multimodes devrait profiter aux procédures médicales telles que l’endoscopie et les applications de communication », a déclaré Psaltis. Les signaux de télécommunication doivent souvent parcourir de nombreux kilomètres et subir des distorsions que cette méthode pourrait corriger.

Pour plusieurs types d’applications

Les médecins pourraient utiliser des sondes à fibres ultrafines pour recueillir des images des voies et des artères à l’intérieur du corps humain sans avoir besoin d’enregistreurs holographiques complexes ou de soucis de mouvement. « Les mouvements légers dus à la respiration ou à la circulation peuvent déformer les images transmises par une fibre multimode », a déclaré Psaltis. Les réseaux de neurones profonds sont une solution prometteuse pour faire face à ce bruit.

Psaltis et son équipe envisagent d’essayer cette technique avec des échantillons biologiques, pour voir si cela fonctionne aussi bien que pour lire des chiffres manuscrits. Ils espèrent mener une série d’études en utilisant différentes catégories d’images pour explorer les possibilités et les limites de leur technique.

Source : The Optical Society