Comment est – compliqué de détecter des billons?
En parlant de Timbeter et de la détection des billons, on me demande souvent “Est – ce que c’est compliqué? Ne peux tu pas juste trouver des cercles sur une image?
Cependant dans la vie réel c’est beaucoup plus dur que cela paraît, parce que.
- les billons souvent non par une forme ronde.
- Ils sont habituellement obstrués par d’autres objets, comme les feuilles, des restes d’écorce ou le bâton référence.
- les conditions de lumière peuvent rendre les billons à peine visibles
- Le détecteur ne sait pas à quoi s’attendre: de quelle couleur sont les billons, ont – ils une texture distincte ou si l’écorce est visible à l’extérieur.
- Habituellement, il y a plusieurs choses qui ont aussi une forme circulaire
Ces problèmes rendent l’approche géométrique essentiellement inutile. Et c’est là que le “learning machine” entre en jeu!
Le “Machine learning” et le “Réseau Neurologique”
Les humains apprennent en observant les choses. Le “Machine learning” essaye de faire la même chose: au lieu de programmer précisément des règles pour décider s’il y a un billon sur la photo, on montre au programme de nombreux exemples avec et sans billon. Il essaye alors de trouver des motifs spécifiques aux images qui contiennent des billons. Ces motifs peuvent être utilisés pour détecter des billons sur des photos que le programme n’a jamais vu auparavant. Une méthode de plus en plus courante qui est de mettre le “machine learning” en place avec un réseau neurologique artificiel, inspiré directement de notre cerveau.
Dans notre cerveau, chaque neurone reçoit un signal électrique des autres neurones et en se basant sur ces signaux et des règles simples codés aux connections entre les neurones. Ils décident s’ils doivent envoyer des signaux ou pas eux – mêmes. Bien que chaque neurone ait une tâche relativement simple à faire, dans son ensemble le réseau de neurones agit comme un système incroyablement complexe. La partie amusante est que ces règles dans les connections ne sont pas fixées, elles s’adaptent pour rendre le cerveau plus performant avec les tâches qu’il rencontre souvent.
Comme le nom le suggère, le réseau artificiel de neurologique est similaire au vrai: cela consiste en plusieurs “neurones” connecté à un “réseau”. Ces “neurones” s’envoient à tour de rôle des signaux comme dans notre cerveau. La différence est que les neurones ne sont pas des objets physiques mais ils sont stockées dans un ordinateur ou dans une tablette et les signaux sont tout simplement des “bits” qui circulent entre le processeur et la mémoire. Comme dans un vrai cerveau, les règles par lesquelles les signaux sont envoyés ne sont pas explicitement programmées; au lieu de cela elle sont automatiquement apprises en utilisant un nombre important d’exemples.
Comment Timbeter utilise le réseau neurologique
Timbeter a récemment commencé à utiliser les réseaux neurologiques comme machine derrière la détection des billons. L’un des challenges était de rendre le réseau neurologique pour le processus de détection raisonnablement rapide sur le tablettes et les téléphones sans trop sacrifier la rapidité. Pour réaliser cela, nous avons utilisé des techniques modernes et efficaces pour entraîner le réseau neurologique, ce qui d’un autre côté nous a permit d’utiliser le réseau avec très peu de neurones.
Au final, cela accélère le processus de détection et en même temps le niveau de précision.
Nous avons développé et amélioré ce détecteur pendant 4 ans. Aujourd’hui, nous expérimentons de nouvelles améliorations, et nous les mettons à profit pour nos utilisateurs une fois qu’elle sont prêtes
