La vision artificielle est une nécessité pour l’essor de nombreuses applications

L’essor des transports autonomes, de la robotique industrielle et de l’imagerie médicale est largement tributaire de la capacité des algorithmes à interpréter des images.

Et bien que des avancées spectaculaires aient été réalisées dans les domaines de la vision artificielle et de l’apprentissage machine, plusieurs défis techniques doivent encore être surmontés pour que la vision artificielle atteigne son plein potentiel.

Ismail Ben Ayed, professeur-chercheur à l’École de technologie supérieure (ÉTS), et Orthogone Technologies s’attaqueront à ces défis en recourant à l’apprentissage profond.

Qualité des données

Ainsi, grâce à la Chaire de recherche industrielle Orthogone en vision artificielle par apprentissage profond, vient d’être inaugurée à l’ÉTS, le professeur Ben Ayed explorera différentes pistes de solution avec Orthogone Technologies.

« Encore aujourd’hui, il faut que des humains annotent les images afin que les algorithmes puissent leur donner un sens. Ce procédé comporte ses limites, étant donné la quantité de données existant dans le monde réel et le nombre restreint de catégories dans lesquelles ces données peuvent être classées dans le monde virtuel actuel », a expliqué Ismail Ben Ayed, professeur en génie des systèmes et titulaire de la Chaire.

À cette complexité s’ajoute également le fait que ces images peuvent être issues de différents types d’appareils, tels que des capteurs optiques, thermiques et lasers, et que celles-ci peuvent avoir été   captées dans des contextes variés. 

Par exemple : une voiture photographiée durant la saison estivale pourrait être reconnue plus aisément par un algorithme qu’une voiture enfouie aux trois quarts sous la neige. De la même façon, les formes d’une voiture seront mieux définies – donc interprétées avec plus de justesse par l’algorithme – sur une photo optique en couleur que sur une photo thermique ou aérienne, par exemple.

Apprentissage

Ainsi, les avancées en matière d’apprentissage profond («deep learning»), et plus particulièrement celles des réseaux de neurones à convolution, pourraient permettre à la vision artificielle de surmonter ces obstacles.  C’est la piste qu’explorera le professeur Ben Ayed, en recourant à des méthodologies d’apprentissage multimodal et semi-supervisé, pour résoudre des problèmes de reconnaissance visuelle.

« En nous associant au professeur Ben Ayed, nous serons en mesure d’offrir à nos clients une autre expertise à grande valeur ajoutée en traitement d’images par apprentissage profond.  Cette nouvelle expertise combinée à notre savoir-faire actuel nous permettra dorénavant de développer en partenariat avec nos clients des solutions innovantes et de très hautes performances » a déclaré Luc Leblanc, président d’Orthogone Technologies.

Ouvrages renommés

« Le professeur Ben Ayed figure parmi les cinq premiers au palmarès mondial du nombre de publications ayant pour sujets « Image segmentation », « Pixels » et « Interactive segmentation ». Ses publications reçoivent en moyenne 45 % plus de citations que la moyenne mondiale en ce domaine. Il ne fait aucun doute que cette collaboration est promise à un très grand avenir », a conclu François Gagnon, directeur général de l’ÉTS.

À propos d’Orthogone
Fondée en 2007 et comptant aujourd’hui plus de 50 employés, Orthogone se spécialise dans les services-conseils en technologie et dans le développement de produits technologiques, en plus d’offrir des services de recherche et développement sur le marché des systèmes intégrés.

(Communiqué de Canadian News Wire (CNW)-École de technologie spuérieure)