{"id":450,"date":"2022-03-09T21:16:42","date_gmt":"2022-03-09T21:16:42","guid":{"rendered":"https:\/\/insidecrane.utoronto.ca\/?p=450"},"modified":"2022-03-09T21:16:43","modified_gmt":"2022-03-09T21:16:43","slug":"reconstructing-the-past-using-neural-networks","status":"publish","type":"post","link":"https:\/\/insidecrane.utoronto.ca\/?p=450","title":{"rendered":"Reconstructing the Past Using Neural Networks"},"content":{"rendered":"\n

Reposted from N\u00e9o UQTR<\/a>, March 2, 2022. <\/p>\n\n\n\n

\"\"
\u00c9tienne Beaulac est \u00e9tudiant \u00e0 la ma\u00eetrise en math\u00e9matiques et informatique \u00e0 l\u2019UQTR. (Photomontage: Isabelle Cardinal)<\/figcaption><\/figure>\n\n\n\n

Reconstruire le pass\u00e9 gr\u00e2ce aux r\u00e9seaux de neurones<\/h3>\n\n\n\n

Le d\u00e9fi d’\u00c9tienne Beaulac<\/h4>\n\n\n\n

02 MARS 2022  SERGE BOUDREAU<\/a>ACTUALIT\u00c9S<\/a>, MATH\u00c9MATIQUES ET INFORMATIQUE<\/a>, RECHERCHE<\/a>, SCIENCES ET TECHNOLOGIES<\/a><\/a><\/a><\/p>\n\n\n\n

Lors de leurs fouilles m\u00e9ticuleuses, les arch\u00e9ologues doivent composer avec des artefacts en multiples fragments. Mais comment pourraient-ils parvenir \u00e0 acc\u00e9l\u00e9rer le processus de reconstitution de ces objets des civilisations du pass\u00e9 ? La r\u00e9ponse se trouve peut-\u00eatre dans l\u2019apprentissage profond et les r\u00e9seaux de neurones. Voil\u00e0 l\u2019univers dans lequel se plonge \u00c9tienne Beaulac dans son projet de ma\u00eetrise en math\u00e9matiques et informatique \u00e0 l\u2019Universit\u00e9 du Qu\u00e9bec \u00e0 Trois-Rivi\u00e8res (UQTR).<\/p>\n\n\n\n

L\u2019apprentissage profond (deep learning<\/em>) est un type d\u2019intelligence artificielle d\u00e9riv\u00e9 de l\u2019apprentissage automatique (machine learning<\/em>). Il s\u2019agit d\u2019un processus o\u00f9 la machine est capable d\u2019apprendre par elle-m\u00eame. L\u2019apprentissage profond s\u2019appuie sur un r\u00e9seau de neurones artificiels, s\u2019inspirant du cerveau humain. Chaque r\u00e9seau comporte de multiples couches de neurones, qui re\u00e7oivent et interpr\u00e8tent les informations de la couche pr\u00e9c\u00e9dente.  Durant tout ce processus, le syst\u00e8me apprendra, par exemple, \u00e0 reconna\u00eetre des lettres, tout en progressant vers la reconnaissance de mots.<\/p>\n\n\n\n

Est-ce que la machine pourrait apprendre \u00e0 reconna\u00eetre des fragments et ensuite parvenir \u00e0 reconstituer l\u2019image d\u2019un artefact? C\u2019est le d\u00e9fi que les chercheurs de l\u2019\u00e9quipe du projet arch\u00e9ologique Kerkenes en Turquie ont lanc\u00e9 au professeur Alain Goupil<\/a>, du D\u00e9partement de math\u00e9matiques et informatique<\/a>. Avec son coll\u00e8gue Fadel Toure,<\/a> il a propos\u00e9 \u00e0 \u00c9tienne de creuser ce beau sujet.<\/p>\n\n\n\n

Associer de multiples fragments<\/h3>\n\n\n\n

L\u2019arch\u00e9ologue fait face \u00e0 un tas de morceaux, contenant des pi\u00e8ces d\u00e9grad\u00e9es, et appartenant probablement \u00e0 diff\u00e9rentes pi\u00e8ces. Ces fragments de poterie pourraient bien appartenir \u00e0 une tasse ou un bol. Comment peut-on alors concevoir un r\u00e9seau de neurones qui pourra apprendre \u00e0 associer des fragments entre eux, pour ensuite g\u00e9n\u00e9rer des images distinctes d\u2019artefacts ?<\/p>\n\n\n\n

\u00ab La reconstruction d\u2019objets fragment\u00e9s est une probl\u00e9matique qui comprend plusieurs domaines d\u2019application, notamment l\u2019arch\u00e9ologie et les sciences forensiques. Cependant, les approches actuelles de reconstruction d\u2019images 2D sont g\u00e9n\u00e9ralement limit\u00e9es, par exemple au niveau de l\u2019orientation possible des fragments. Notre nouvelle approche permet de rem\u00e9dier \u00e0 ces limitations en utilisant une architecture neuronale invariante \u00e0 la position des fragments. Cela permet non seulement de pr\u00e9dire si deux morceaux sont adjacents, mais \u00e9galement d\u2019identifier, le cas \u00e9ch\u00e9ant, la fronti\u00e8re qu\u2019ils partagent \u00bb, explique l\u2019\u00e9tudiant de 24 ans natif de Trois-Rivi\u00e8res.<\/p>\n\n\n\n

Processus de comparaison<\/h3>\n\n\n\n

Un r\u00e9seau plus \u00ab traditionnel \u00bb re\u00e7oit habituellement une seule image comme entr\u00e9e. Or, la t\u00e2che que souhaitent effectuer les chercheurs requiert la comparaison de deux images diff\u00e9rentes. \u00ab On doit donc adapter la structure de notre r\u00e9seau de neurones pour supporter ce type d\u2019op\u00e9rations. On obtient alors une architecture dite \u00ab siamoise \u00bb, comme des jumeaux. Les fragments soumis au r\u00e9seau sont ensuite transform\u00e9s, de couche en couche, pour en extraire des caract\u00e9ristiques de plus en plus complexes, jusqu\u2019\u00e0 l\u2019obtention d\u2019un seul nombre : la probabilit\u00e9 entre 0 et 100 % que les deux fragments soient bel et bien adjacents. Au cours de l\u2019apprentissage, c\u2019est le r\u00e9seau qui d\u00e9termine les param\u00e8tres optimaux de ses couches pour obtenir une probabilit\u00e9 juste \u00bb, explique \u00c9tienne.<\/p>\n\n\n\n

Sur le terrain<\/h3>\n\n\n\n

\u00c9tienne Beaulac estime que son projet de ma\u00eetrise sera compl\u00e9t\u00e9 durant la p\u00e9riode estivale. Il pourra alors se concentrer \u00e0 la r\u00e9daction de son m\u00e9moire. \u00ab Si la situation sanitaire le permet, je voudrais bien aller visiter le chantier arch\u00e9ologique dirig\u00e9 par les chercheurs de University of Central Florida<\/a> en Turquie. Je pourrais proc\u00e9der \u00e0 la prise de photos d\u2019artefacts sur le terrain. Nous pourrions donc avoir d\u2019excellentes donn\u00e9es \u00e0 soumettre au r\u00e9seau de neurones \u00bb, mentionne \u00c9tienne.<\/p>\n\n\n\n

Une fois qu\u2019un r\u00e9seau de neurones est cr\u00e9\u00e9, quelle sera sa dur\u00e9e de vie comme outil adapt\u00e9 \u00e0 l\u2019arch\u00e9ologie? Pourrait-il servir \u00e0 d\u2019autres applications ? \u00ab L\u2019architecture et la m\u00e9thodologie que nous avons d\u00e9velopp\u00e9es ont le potentiel d\u2019\u00eatre utilis\u00e9es dans d\u2019autres domaines. Cependant, la qualit\u00e9 d\u2019un r\u00e9seau de neurones d\u00e9pend directement des donn\u00e9es utilis\u00e9es pendant son entra\u00eenement. Par exemple, si on entra\u00eene un r\u00e9seau avec des fragments de poterie, celui-ci sera sp\u00e9cialis\u00e9 uniquement pour ces fragments. Si on souhaite reconstruire autre chose, on peut d\u00e9buter avec la m\u00eame architecture siamoise, mais il faudra l\u2019entra\u00eener sur de nouvelles donn\u00e9es \u00bb, explique le passionn\u00e9 de math\u00e9matiques.<\/p>\n\n\n\n

Prochaine \u00e9tape<\/h3>\n\n\n\n

Quelle sera la prochaine \u00e9tape sur ton parcours ? \u00ab Je vais prendre une pause \u00bb, r\u00e9pond-il. \u00c9tienne a accumul\u00e9 toute une feuille de route \u00e0 l\u2019UQTR. Il a compl\u00e9t\u00e9 \u00e0 l\u2019hiver 2021 un double baccalaur\u00e9at en math\u00e9matiques et informatique<\/a> et il ach\u00e8ve sa ma\u00eetrise<\/a>. Et \u00e0 travers tout \u00e7a, cet \u00e9tudiant boursier CRSNG et FRQNT cumule des t\u00e2ches de charg\u00e9 de cours et agit comme mentor aupr\u00e8s des \u00e9l\u00e8ves de l\u2019Institut secondaire Keranna qui participent au projet Robotique FIRST<\/a>.<\/p>\n\n\n\n

\u00ab J\u2019ai choisi l\u2019UQTR car c\u2019est ici qu\u2019on offre le double baccalaur\u00e9at en math\u00e9matiques et informatique. Les cohortes sont petites et les professeurs nous connaissent bien. Ils sont disponibles pour nous \u00bb, affirme celui qui dit \u00eatre tr\u00e8s attach\u00e9 \u00e0 sa r\u00e9gion natale.<\/p>\n\n\n\n

\u00c9tienne a toujours ador\u00e9 aider ses camarades de classe, depuis son jeune \u00e2ge. Il a la passion de l\u2019enseignement et souhaite poursuivre sur cette voie, afin de partager son amour pour les math\u00e9matiques et l\u2019informatique.<\/p>\n\n\n\n