ENGINEERINGNET.BE - Étudier des populations d’animaux, quantifier la végétation, mettre en évidence les déchets flottant à la surface des océans, surveiller l’évolution des glaciers…
Les images prises par des drones ou des satellites fournissent une mine d’informations inépuisable pour mieux comprendre les phénomènes qui s’opèrent à la surface du globe.
Des réseaux de neurones sont capables de repérer et classifier les éléments souhaités après avoir été entrainés par des spécialistes.
«Mais aucun programme ne permet de faire passer rapidement l’IA de la reconnaissance d’un débris à celle d’un arbre ou d’un bâtiment», souligne Devis Tuia, professeur de l’EPFL (école polytechnique de Lausanne).
«Les chercheurs doivent actuellement recommencer l’apprentissage pour chaque nouveau sujet en lui fournissant de grandes quantités de données de terrain».
Avec ses collègues ainsi que d’autres scientifiques, il a développé un système d’apprentissage caméléon, METEOR, capable de passer d’un type d’objet à l’autre sur la base d’une poignée d’images.
METEOR est un système adaptable, capable de méta-apprentissage : il prend des raccourcis en se basant sur des tâches préalables déjà réussies dans d’autres contextes.
«Nous avons développé des algorithmes et des techniques qui permettent aux modèles de généraliser à partir des expériences antérieures et d'appliquer ces connaissances à de nouvelles situations», explique le chercheur.
Pour une nouvelle recherche, quatre ou cinq images de bonne qualité suffisent à rendre le modèle suffisamment fiable. (Auteur: Cécilia Carron, Source: EPFL)
