Les algorithmes d'apprentissage automatique (CNN?) Peuvent-ils être utilisés / formés pour différencier les petites différences de détails entre les images?

Je me demandais si des algorithmes d'apprentissage automatique (CNN?) Pouvaient être utilisés / formés pour différencier les petites différences de détails entre les images (telles que de légères différences dans les nuances de rouge ou d'autres couleurs, ou la présence de petits objets entre des images par ailleurs très similaires? )? Et puis classer les images en fonction de ces différences? Si c'est une entreprise difficile avec nos algorithmes d'apprentissage automatique actuels, comment peut-on le résoudre? L'utilisation de plus de données (plus d'images) serait-elle utile?

J'apprécierais également que les gens puissent, si possible, fournir des références aux recherches qui se sont concentrées sur ce sujet.

Je viens juste de commencer à apprendre le machine learning, et c'est quelque chose que je me demandais dans mes recherches.

Je vous remercie.

Attentive Recurrent Comparators (2017, Pranav Shyam, Shubham Gupta, Ambedkar Dukkipati) est un article intéressant qui aide à répondre à la question que vous vous posez, ainsi qu'un article de blog qui aide à le décrire en termes plus simples.

La façon dont il est implémenté est en fait plutôt intuitive. Si vous avez déjà joué à un jeu «ce qui est différent» avec deux images, ce que vous feriez habituellement, c'est de regarder en arrière entre les images pour voir quelle est la différence. Le réseau que les chercheurs ont créé fait exactement cela! Il regarde une image, puis se souvient des caractéristiques importantes de ces images et regarde l'autre image et va et vient.

Il existe des réseaux construits pour apprendre à différencier les classes même si elles se ressemblent. Habituellement, une perte de triplet est utilisée dans ces réseaux pour apprendre la différence entre la cible, un échantillon positif et un échantillon négatif.

Par exemple, ces réseaux sont utilisés pour effectuer un contrôle d'identité avec des images de visage, l'algorithme apprend les différences entre différentes personnes au lieu de reconnaître les personnes.

Mots-clés: fonction discriminante, perte de triplets, réseau siamois, apprentissage ponctuel.

Ces articles sont intéressants:

• FaceNet: une intégration unifiée pour la reconnaissance des visages et le regroupement
• Réduction de la dimensionnalité en apprenant une cartographie invariante