La technique d’IA inspirée du cerveau imite le traitement visuel humain pour améliorer la vision machine
- Robotique
Noesis News- 0
- 13 minutes de lecture
Structures de traitement de l’information du cortex visuel du cerveau et des réseaux de neurones artificiels. Dans le cortex visuel du cerveau réel, les neurones sont connectés de manière large et douce autour d’un point central, la résistance de la connexion variant progressivement avec la distance (A, B). Cette connectivité spatiale suit une courbe en forme de cloche connue sous le nom de «distribution gaussienne», permettant au cerveau d’intégrer des informations visuelles non seulement du centre mais aussi des zones environnantes. En revanche, les informations traditionnelles de réseaux de neurones convolutionnelles (CNNS) traitent des neurones se concentrer sur une région rectangulaire fixe (par exemple, 3 × 3, 5 × 5, etc.) (C, D). Les filtres CNN se déplacent à travers une image à intervalles réguliers, en extraissant des informations de manière uniforme, ce qui limite leur capacité à capturer des relations entre des éléments visuels éloignés ou à répondre sélectivement en fonction de l’importance. Cette étude aborde les différences entre ces structures biologiques et CNNS, proposant une nouvelle structure de filtre appelée « Convolution LP » qui imite les modèles de connectivité du cerveau. Dans cette structure, la gamme et la sensibilité de l’entrée d’un neurone sont conçues pour se propager naturellement sous une forme gaussienne, permettant au système d’auto-ajuster pendant la formation, mettant en place des informations importantes plus fortement tout en minimisant les détails moins pertinents. Cela permet un traitement d’image plus flexible et aligné biologiquement par rapport aux CNN traditionnels. Crédit: Institut des sciences fondamentales
Une équipe de chercheurs de l’Institut des sciences fondamentales, de l’Université Yonsei et de l’Institut Max Planck a développé une nouvelle technique d’intelligence artificielle (IA) qui rapproche la vision de la machine de la façon dont le cerveau humain traite les images. Appelée LP-Convolution, cette méthode améliore la précision et l’efficacité des systèmes de reconnaissance d’image tout en réduisant la charge de calcul des modèles d’IA existants.
Le cerveau humain est remarquablement efficace pour identifier les détails clés dans des scènes complexes, une capacité que les systèmes d’IA traditionnels ont eu du mal à reproduire. Réseaux de neurones convolutionnels (CNNS) – Le modèle d’IA le plus utilisé pour la reconnaissance d’image – procédure des images utilisant de petits filtres en forme carrée. Bien que efficace, cette approche rigide limite leur capacité à capturer des modèles plus larges dans les données fragmentées.
Plus récemment, les transformateurs de vision ont montré des performances supérieures en analysant des images entières à la fois, mais elles nécessitent une puissance de calcul massive et de grands ensembles de données, ce qui les rend impraticables pour beaucoup Applications du monde réel.
Inspiré par la façon dont le cortex visuel du cerveau traite sélectivement les informations par le biais de connexions circulaires et clairsemées, l’équipe de recherche a recherché un terrain d’entente: une approche en forme de cerveau pourrait-elle rendre les CNN efficaces et puissants?
Présentation de LP-Convolution: une façon plus intelligente de voir
Pour répondre à cela, l’équipe a développé LP-Convolution, une nouvelle méthode qui utilise une distribution normale P-généralisée multivariée (MPND) pour remodeler les filtres CNN dynamiquement. Contrairement aux CNN traditionnels, qui utilisent des filtres carrés fixes, la convolution LP permet aux modèles d’IA d’adapter leurs formes de filtre – éloignant horizontalement ou verticalement en fonction de la tâche, un peu comme la façon dont le cerveau humain se concentre sélectivement sur les détails pertinents.
Cette percée résout un défi de longue date dans la recherche sur l’IA, connue sous le nom de problème du grand noyau. La simple augmentation des tailles de filtres dans CNNS (par exemple, en utilisant 7 × 7 ou plus de noyaux) n’améliore généralement pas les performances, malgré l’ajout de paramètres. LP-Convolution surmonte cette limitation en introduisant des modèles de connectivité flexibles et biologiquement inspirés.
Conception inspirée du cerveau de la convolution LP. Le cerveau traite les informations visuelles à l’aide d’une structure de connectivité en forme gaussienne qui se propage progressivement du centre vers l’extérieur, intégrant de manière flexible un large éventail d’informations. En revanche, les CNN traditionnels sont confrontés à des problèmes lors de l’expansion de la taille du filtre dilue les informations ou réduisent la précision (D, E). Pour surmonter ces limitations structurelles, l’équipe de recherche a développé la convolution LP, inspirée par la connectivité du cerveau (A – C). Cette conception répartit spatialement les poids pour préserver les informations clés même sur les grands champs réceptifs, abordant efficacement les lacunes des CNN conventionnels. Crédit: Institut des sciences fondamentales
Performance du monde réel: IA plus forte, plus intelligente et plus robuste
Dans les tests sur les ensembles de données de classification d’images standard (CIFAR-100, TinyImagenet), LP-Convolution a considérablement amélioré la précision sur les modèles classiques comme AlexNet et les architectures modernes comme Replknet. La méthode s’est également avérée très robuste contre les données corrompues, un défi majeur dans les applications d’IA du monde réel.
De plus, les chercheurs ont constaté que lorsque les masques LP utilisés dans leur méthode ressemblaient à une distribution gaussienne, les modèles de traitement internes de l’IA correspondaient étroitement à l’activité neuronale biologique, comme confirmé par des comparaisons avec les données cérébrales de souris.
« Nous, les humains, aperçus rapidement ce qui compte dans une scène surpeuplée », a déclaré le Dr C. Justin Lee, directeur du Center for Cognition and Socialialité au sein de l’Institut des sciences fondamentales. « Notre convolution LP imite cette capacité, permettant à l’IA de se concentrer de manière flexible sur les parties les plus pertinentes d’une image – tout comme le cerveau. »
Impact et applications futures
Contrairement aux efforts précédents qui reposaient sur de petits filtres rigides ou des transformateurs lourds requis, LP-Convolution offre une alternative pratique et efficace. Cette innovation pourrait révolutionner des domaines tels que:
- Conduite autonome, où l’IA doit détecter rapidement les obstacles en temps réel
- Imagerie médicale, améliorant les diagnostics basés sur l’IA en mettant en évidence des détails subtils
- Robotique, permettant une vision machine plus intelligente et plus adaptable dans des conditions changeantes
« Ce travail est une contribution puissante à la fois à l’IA et aux neurosciences », a déclaré le directeur Lee. « En alignant l’IA plus étroitement avec le cerveau, nous avons débloqué un nouveau potentiel de CNN, les rendant plus intelligents, plus adaptables et plus réalistes biologiquement. »
Pour l’avenir, l’équipe prévoit d’affiner davantage cette technologie, explorant ses applications dans des tâches de raisonnement complexes telles que la résolution de puzzle (par exemple, Sudoku) et le traitement d’image en temps réel.
L’étude sera présentée à la Conférence internationale sur les représentations d’apprentissage (ICLR 2025), et l’équipe de recherche a rendu son code et ses modèles à la disposition publique sur Github et OpenReview.net.
Plus d’informations:
La convolution inspirée du cerveau profite aux gros grains et s’aligne mieux avec le cortex visuel. openReview.net/forum?id=0lsamfcc4p
Fourni par
Institut des sciences fondamentales
Citation: Technique IA inspirée du cerveau imite le traitement visuel humain pour améliorer la vision machine (2025, 22 avril) récupéré le 23 avril 2025 de https://techxplore.com/news/2025-04-Brain-ai-technique-mimics-human.html
Ce document est soumis au droit d’auteur. Outre toute émission équitable aux fins d’études privées ou de recherche, aucune pièce ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni uniquement à des fins d’information.
