Le domaine de l'intelligence artificielle a permis énormément d'amélioration d'un point de vue technique, notamment dans le domaine des images. Ainsi, des applications spécialisées dans le traitement de classification d'images pour un domaine particulier ont vu le jour. C'est notamment le cas de l'application PlantSnap qui cherche à déterminer la catégorie d'appartenance d'une image où une plante apparaît. Ainsi, lorsque vous apercevez une plante, mais que vous ne savait pas son nom, il vous suffit de prendre une photo avec l'application et cette dernière vous révèle le nom de celle-ci.
Fonctionnement de l'application
Nous allons essayer de comprendre le fonctionnement de cette application. Tout d'abord, nous allons fournir une image à notre système. Cette image va être envoyée sur une API qui va se charger de la traiter. Afin de réaliser le traitement sur cette image, nous allons la fournir à un réseau de neurones. Plus précisément, à un réseau de neurones à convolution. Ces derniers sont spécialisés dans le traitement d'image. Ainsi, le réseau va chercher à extraire les caractéristiques présentes sur l'image afin de déterminer la catégorie d'appartenance de la plante.
Transfert de style
Afin de rendre notre réseau de neurones de convolution performant, nous pouvons réaliser un transfert de style. Cette méthode s'appuie sur l'utilisation de réseau de neurones déjà performant. En effet, cela demande énormément de temps et de puissance de calcul afin d'obtenir un réseau performant. Pour ce faire, nous pouvons décomposer notre réseau de neurones à convolution en deux parties. Nous avons, la première partie, qui correspond à la phase d'extraction des informations qui va chercher, comme son nom l'indique, à extraire les caractéristiques présentes sur notre image. La seconde partie correspond à la classification. Une fois les informations extraites de notre image, il va nous falloir déterminer la catégorie d'appartenance en fonction de ces dernières.
Dans la méthode de transfert de style, nous allons utiliser un réseau de neurones à convolution performant et nous allons garder uniquement la partie liée à l'extraction des informations. En effet, cette dernière est extrêmement performante. Puis, nous allons recréer et entraîner la seconde partie de notre réseau liée à la classification. Cela va nous permettre d'adapter notre réseau de neurones à notre problème et d'avoir de meilleurs résultats.
Augmentation des données
Les applications de ce genre deviennent de plus en plus performantes à force que de nouveaux utilisateurs utilisent ces applications. En effet, à force d'avoir à disposition de nouvelles photos, l'application apprend à partir de ces dernières et c'est comme cela que le réseau qui est utilisé augmente en terme de précision. D'ailleurs, c'est pour cela que certaines applications vous demande l'autorisation de stocker les différentes images que vous prenez. Tout cela permet d'améliorer le système déjà en cours.
Conclusion
L'idée de l'application PlantSnap est très ingénieuse. En effet, lorsque nous nous baladons en forêt, nous sommes amenés à découvrir de nouvelles plantes et parfois, nous ne connaissons pas le nom de cette dernière.
À travers cet article, nous avons essayé de comprendre le fonctionnement de l'application PlantSnap. Nous avons vu l'utilisation du transfert d'apprentissage permettant d'utiliser des modèles déjà pré-entraîner et permettant d'augmenter les performances de notre système finale.
Source
Lien original : https://www.technologieintelligente.fr/actualites-fr/reconnaitre-des-plantes-grace-a-plantsnap/