Forum Asperansa

Ixy a écrit :Mais si google sait le faire, ce n'est pas un truc sorti de nulle part, c'est des techniques que tout le monde utilise dans la communauté de computer vision

Je parle des capacités prétendues de son système.
Je sais très bien que la détection d'objets existe belle et bien.
Mais pas à ce niveau là. Fais des arrêts sur images de la première vidéo... Parfois c'est grotesque. De mon point de vu. C'est un devin carrément alors, son système. C'est de la magie...

Peut-être que c'est parce qu'il essaie de trouver les objets qu'il a vu précedemment.

Je pars du principe qu'il est honnête :
Il utilise un CNN avec récurrence, admettons.
Je pense qu'il le montre à l'action sur la base d'apprentissage, c'est tout.
Qu'il ait appris cette base, pourquoi pas.
Mais c'est complètement faux de dire qu'il fait de la détection d'objets pour autant.
Qu'il ait appris une séquence de bounding boxes classées d'accord.
Mais c'est tout.
Le but étant que le système soit capable de faire cette détection d'objets sur n'importe quelle séquence d'images. Et donc qu'il ait généralisé, créé des concepts, des features.
C'est mon avis.

Vu sur twitter, les logiciels de reconnaissance ont un peu de mal à différencier un muffin d'un chien :


Ca marche aussi avec un balai:

Super !
Que veut dire détecter les objets mieux que les humains ?
RIEN.
Les mammifères détectent parfaitement les objets de leur environnement, humains ou pas.
Alors que signifie mieux ? Mieux que parfaitement ? C'est ridicule.
Le contexte permettrait d'affiner cette détection, dans le cas ou elle est floue. Au mieux.
Mais de là à dire que des réseaux neuronaux de m.... soient meilleurs que nous, les mammifères, dans cette tâche, c'est au mieux amusant.
Et au pire, ridicule.

Soyons réalistes.
Je suis moi même un obstiné, un convaincu, (un croyant), en cette technologie des réseaux neuronaux..... mais il faut rester conscient.
Leur prêter des capacités publicitaires est contre leur intérêt. (Cf ce qui c'est passé avec Minsky et Papert, et l'engouement contre-productif, et l'arrêt des recherches, que cela a engendré ! )
En parlant de Minsky :
En 1969, dans Perceptrons, coécrit avec Seymour Papert pour critiquer Frank Rosenblatt, il a montré les limites des réseaux de neurones de type perceptron, notamment l’impossibilité de traiter des problèmes non linéaires ou de connexité. Ceci a eu pour conséquence de drainer l'essentiel des crédits de recherche vers l'intelligence artificielle symbolique.
(Frank Rosenblatt est l'inventeur du perceptron d'une couche)
Longue vie aux réseaux neuronaux !

Mais maintenant on a les MLP : multi layer perceptrons !
C'est une pile de perceptrons.
Et on sait faire grâce à eux de l'approximation de fonction, de la régression linéaire universelle !

Selon un bon paramétrage, toute fonction peut être approximée, à une précision donnée, grâce à un perceptron multi-couches.
Suffit de bien paramétrer le réseau.

(Dans les faits, c'est une vraie horreur, mais c'est possible)

Quand on présente des robots soit-disant à la pointe de l'IA.

Ixy a écrit :Quand on présente des robots soit-disant à la pointe de l'IA.

Oui, c'est à peu près ça, l'IA aujourd'hui ...

Des machines qualifiées d'intelligentes à tord et à travers, mais connes comme des balais.
Tant que l'on ne comprendra pas qu'il faut mimer la nature, et essayer de la comprendre ....
Seuls les réseaux neuronaux formels sont la réponse.

Un bon article documenté et traduit en français :

Le compte à rebours vers l'obsolescence est lancé. (je vous laisse deviner qui va être obsolète).

J'hésite à poser cette question dans le sujet sur les Mathématiques, mais vu que, historiquement, ça a été une critique cruciale des premiers réseaux neuronaux (Perceptrons Simples), je pense qu'il vaut mieux la poser ici :

"En 1969, dans Perceptrons, coécrit avec Seymour Papert pour critiquer Frank Rosenblatt, il [Marvin Minsky] a montré les limites des réseaux de neurones de type perceptron, notamment l’impossibilité de traiter des problèmes non linéaires ou de connexité."

Je comprends le problème de l'impossibilité de résolution des problèmes non linéaires avec un Perceptron Simple. (Vu qu'il fait une combinaison linéaire des entrées, justement).
Mais c'est quoi les problèmes de connexité ?
Vous pouvez utiliser le langage mathématique pour la rigueur, mais j'aimerais aussi avoir des images, des exemples simples.
Merci.

J'y connais rien mais on peut toujours va essayer de comprendre ensemble.

Je pense qu'il s'agit de connexité au sens "habituel", comme sur cette image, le truc en haut est connexe le truc en bas ne l'est pas.


A fouiller vite fait avec un moteur, il semblerait qu'apprendre la connexité d'un espace demande des capacités de synchronisation entre les neurones, que les perceptrons ne peuvent pas avoir. (pourquoi / comment ? ça dépasse mes compétences, j'accepte le "ta gueule c'est magique").

Ou peut être que c'est tout à fait autre chose, c'est compliqué de lire la littérature sans le baggage qui va avec.

Benoit a écrit :J'y connais rien mais on peut toujours va essayer de comprendre ensemble.

Je pense qu'il s'agit de connexité au sens "habituel", comme sur cette image, le truc en haut est connexe le truc en bas ne l'est pas.


A fouiller vite fait avec un moteur, il semblerait qu'apprendre la connexité d'un espace demande des capacités de synchronisation entre les neurones, que les perceptrons ne peuvent pas avoir. (pourquoi / comment ? ça dépasse mes compétences, j'accepte le "ta gueule c'est magique").

Ou peut être que c'est tout à fait autre chose, c'est compliqué de lire la littérature sans le baggage qui va avec.

un problème connexe serait plutôt "continu", et un problème non connexe serait plutôt discret ? (Pour les entrées ?)

Je pense qu'il s'agit de déterminer si un problème est connexe.

Par exemple à partir de ce type de dessin, est-ce que des neurones positionnés sur la carte sont capables de collaborer pour trouver les frontières des îles / les liens (et leur absence) sur un graphe ?

Benoit a écrit :Je pense qu'il s'agit de déterminer si un problème est connexe.

Par exemple à partir de ce type de dessin, est-ce que des neurones positionnés sur la carte sont capables de collaborer pour trouver les frontières des îles / les liens (et leur absence) sur un graphe ?

Je pencherais pour dire que des neurones assez semblables dans le domaine d'entrées ont des sorties aussi semblables dans le domaine de sortie.
Ce serait à opposer avec une machine à états finis, ou un état donné est incomparable avec un autre.
Là, il y aurait similarité si les neurones répondent (en sortie) à peu près la même chose pour un état proche d'un autre (en entrée).
L'à peu près étant défini par une quelconque distance.
???

Les neurones dans les Perceptrons n'ont pas de position, contrairement à ceux utilisées dans les cartes adaptatives topologiques. Mais on peut les représenter par des hyper-plans discriminants.
(La discrimination se fait selon une hyper sphère pour les neurones topologiques (de Kohonen), et selon un hyper plan pour les neurones linéaires (de McCulloch & Pitts))

Je ne sais pas, je ne connais pas la notion mathématique de connexité.