Le résultat de la détection d'une corne d'abondance (corne d'abondance) avec le nouveau modèle. Cooper &Arandjelovic.
Deux chercheurs de l'Université de St. Andrews, en Ecosse, ont récemment développé une nouvelle méthode basée sur l'apprentissage automatique pour comprendre les images de pièces anciennes. Leur étude, prépublié sur arXiv applique la vision par ordinateur et l'apprentissage automatique à la numismatique ancienne.
"Mes recherches dans ce domaine sont le fruit du rapprochement de deux passions :mon intérêt constant pour les pièces de monnaie anciennes (j'ai moi-même une grande collection) et l'état de l'art en matière d'IA, " Ognjen Arandjelovic, l'un des chercheurs qui a mené l'étude, a déclaré TechXplore. "En 2010, J'ai écrit un article sur le sujet et à ma grande surprise, comme il s'agit généralement d'un intérêt de niche, ça a attiré beaucoup d'attention."
La plupart des études précédentes ont tenté de mieux comprendre les pièces de monnaie anciennes en utilisant des techniques génériques de reconnaissance d'objets. La connaissance et la compréhension d'Arandjelovic de la numismatique ancienne, cependant, l'a amené à croire que ces approches sont loin d'être optimales et l'a encouragé à développer des méthodes alternatives. Au cours de la dernière décennie, il a publié une série d'articles qui s'écartent du modèle susmentionné.
La structure du réseau de neurones. Crédit :Cooper &Arandjelovic.
La plupart des méthodes de pointe existantes pour l'analyse des pièces de monnaie anciennes se sont avérées plutôt médiocres. Dans leur étude, Arandjelovic et sa collègue Jessica Cooper ont entrepris de développer une approche plus efficace, qui peut décrire une pièce comme un humain le ferait à un autre humain.
"Le travail avec Jessica est venu de ma réalisation que le domaine a pris un très mauvais angle en essayant de déterminer si deux pièces sont identiques, " Arandjelovic a expliqué. " La raison de cela vient du fait que peu de types de pièces de monnaie anciennes (par rapport aux dizaines de milliers frappées au cours des cinq siècles de l'Empire romain) qui ont été imagées sont plutôt petites, rendant l'approche de peu d'importance pratique. Jessica et moi avons donc pensé qu'il aurait été bien mieux si l'ordinateur pouvait décrire la pièce, autant qu'un humain le ferait à un autre humain."
« Je suis largement intéressé par les algorithmes qui imitent la façon dont les humains abordent les tâches, " Cooper a dit à TechXplore" Lorsqu'un expert décrit une ancienne pièce de monnaie, elle identifie les concepts artistiquement représentés de la même manière que notre système le fait - en reconnaissant les formes dans l'image. Elle est aussi capable de pointer du doigt les éléments qu'elle décrit :« il y a une corne d'abondance », « il y a un bouclier », etc. Notre système fait également cela. »
Les descriptions approfondies sont une partie cruciale de la littérature numismatique, ainsi, découvrir des informations détaillées sur les pièces à l'aide de techniques d'apprentissage automatique pourrait s'avérer très utile. Les descriptions des pièces sont actuellement écrites par des experts humains, ce qui peut prendre beaucoup de temps. La nouvelle méthode développée par Arandjelovic et Cooper pourrait aider à accélérer l'analyse des pièces anciennes, en automatiser une partie importante.
Exemple 1 de spécimens de la même monnaie, avec différents degrés de dommages. L'empereur sur l'avers est Antoninus Pius. Crédit :Cooper &Arandjelovic.
"Nous utilisons ce qu'on appelle le Deep Learning, qui utilise un type spécifique de réseau de neurones (ceux-ci sont vaguement - très vaguement en fait - motivés par les réseaux de neurones qui composent notre cerveau) pour apprendre de nombreux exemples de pièces de monnaie qui contiennent et qui ne contiennent pas d'élément visuel spécifique (par exemple, bouclier, lance, etc.), " Arandjelovic a déclaré. "C'est bien sûr comment les humains apprennent dans l'enfance :par l'exposition répétée et la rétroaction du superviseur (parent, prof, etc.)."
La majorité des approches existantes fonctionnent en faisant correspondre visuellement les pièces, à l'aide d'outils de reconnaissance d'objets. Cependant, le nombre de types de pièces anciennes dépasse largement les types de pièces qui ont été enregistrées par des experts numériquement ou sur papier, c'est la raison pour laquelle ces méthodes fonctionnent souvent mal.
Exemple 2 de spécimens de la même monnaie, avec différents degrés de dommages. L'empereur sur l'avers est Antoninus Pius. Crédit :Cooper &Arandjelovic.
Contrairement aux approches précédentes, la méthode imaginée par Arandjelovic et Cooper analyse le contenu sémantique des pièces. Premièrement, les chercheurs ont utilisé une entrée multimodale du monde réel pour extraire et associer des concepts sémantiques aux images de pièces correctes. Ensuite, ils ont formé un réseau de neurones convolutifs (CNN) sur l'apparition de ces concepts.
"Notre résultat le plus important est la preuve de concept, dont on peut raisonnablement s'attendre à marquer un tournant dans la direction du terrain, " Arandjelovic a déclaré. "Nous avons déjà beaucoup de nouvelles idées sur la façon d'améliorer ce que nous avons fait jusqu'à présent, et j'espère que d'autres chercheurs seront inspirés pour proposer des idées différentes qui s'appuieront également sur notre contribution. »
Les chercheurs ont évalué leur méthode sur le plus grand ensemble de données existant de pièces de monnaie anciennes, qui comprend des images de pièces extraites de 100, 000 lots d'enchères. Leurs tests ont donné des résultats très prometteurs, avec leur algorithme faisant des associations correctes et identifiant avec précision les modèles sémantiques dans les pièces de monnaie anciennes.
Exemple 3 de spécimens de la même monnaie, avec différents degrés de dommages. L'empereur sur l'avers est Antoninus Pius. Crédit :Cooper &Arandjelovic.
"Je pense que nos données sont vraiment intéressantes car elles sont difficiles - il y a beaucoup de déséquilibre entre les classes, beaucoup de bruit, et les images ne sont étiquetées qu'au niveau de l'image entière, " Cooper a dit. " Par conséquent, pendant la formation, le modèle n'est dit que s'il existe un certain élément sur la pièce, mais pas où il est - il doit apprendre cela par lui-même. Résoudre des problèmes sur des ensembles de données difficiles comme celui-ci est précieux non seulement pour son propre bien, mais aussi parce que les approches développées pour un cas d'utilisation peuvent souvent être appliquées avec succès dans une variété de domaines."
Le CNN utilisé par Arandjelovic et Cooper est vaguement basé sur un célèbre réseau de neurones artificiels appelé AlexNet, qui a été utilisé à l'origine pour classer les photographies de l'ensemble de données ImageNet. Selon Cooper, leur étude offre un exemple clair de la façon dont ce type de pollinisation croisée peut s'avérer très utile. Elle travaille actuellement sur un projet qui applique des techniques similaires de vision par ordinateur au diagnostic du cancer à partir d'analyses médicales.
Le résultat de la détection d'une corne d'abondance (corne d'abondance) avec le nouveau modèle. Cooper &Arandjelovic.
"Nous avons plusieurs projets de recherche future, " dit Arandjelovic. " Premièrement, nous prévoyons de poursuivre directement cette recherche, comme nous aimerions avoir un système qui décrit littéralement l'image d'une pièce de monnaie, en utilisant plein, phrases correctes, tout comme ceux que vous verriez décrire les pièces lorsqu'elles sont vendues aux enchères. Nous aimerions également développer des méthodes qui surveillent les sites d'enchères en ligne pour détecter les pièces volées ou les fausses pièces."
© 2019 Réseau Science X
