Adaptive Margin Based Metric Learning for Unbalanced Point Cloud Classification and Retrieval

Dans le monde de la vision tridimensionnelle, les ordinateurs apprennent à voir le monde physique non pas comme des images plates, mais comme des collections de points dans l'espace. C'est ainsi que les capteurs modernes, comme ceux des voitures autonomes ou des casques de réalité virtuelle, capturent les objets : sous forme de nuages de points qui cartographient les surfaces et les formes. Pour qu'un ordinateur comprenne ce qu'il regarde, il doit trier ces nuages en catégories, comme distinguer une chaise d'une table, puis trouver des articles similaires dans une base de données massive. Ce processus, connu sous le nom de classification et de recherche, repose largement sur l'apprentissage profond, un type d'intelligence artificielle qui apprend par l'exemple. Cependant, un problème persistant a tourmenté ces systèmes : les données dont ils apprennent sont rarement équitables. Dans le monde réel, certaines catégories d'objets sont abondantes dans les données d'entraînement, tandis que d'autres sont rares. Lorsqu'un ordinateur est entraîné avec un tel régime déséquilibré, il a tendance à devenir excellent pour reconnaître les articles communs, mais peine considérablement avec les plus rares, échouant souvent à les distinguer ou à les trouver lors d'une recherche.

Une équipe de chercheurs de l'Université de technologie électronique de Guilin et de l'Université de Xidian a développé une nouvelle approche pour résoudre ce problème spécifique de déséquilibre dans la reconnaissance d'objets 3D. Leurs travaux se concentrent sur l'enseignement à l'ordinateur comment traiter chaque catégorie avec la bonne dose d'attention, quel que soit le nombre d'exemples qu'il a vus. Au lieu d'utiliser une méthode standard qui applique les mêmes règles à chaque groupe d'objets, ils ont créé un système qui ajuste automatiquement sa stratégie d'apprentissage en fonction de la fréquence d'un type d'objet spécifique. En faisant cela, l'ordinateur apprend à accorder une attention particulière aux classes rares, garantissant qu'il puisse reconnaître un type de chaise rare aussi bien qu'un type commun. Le résultat est un système qui non seulement identifie les formes 3D avec plus de précision, mais les recherche également dans une base de données avec une précision bien plus élevée, tout en utilisant très peu de puissance de calcul.

Le cœur de cette nouvelle méthode réside dans la façon dont l'ordinateur mesure la distance entre différentes formes. Dans les systèmes traditionnels, l'ordinateur tente de repousser les différentes catégories et de rapprocher les articles similaires en utilisant une règle fixe, un peu comme un enseignant appliquant la même courbe de notation à chaque élève. Les chercheurs ont découvert que cette approche fixe échoue lorsque certains « élèves » (catégories d'objets) ont très peu d'exemples pour étudier. Pour y remédier, ils ont introduit une marge adaptative, une règle flexible qui modifie la difficulté de la tâche d'apprentissage pour chaque catégorie. Pour une catégorie possédant très peu d'échantillons, le système assigne une marge plus grande pour assurer une séparation claire entre cet objet rare et tout le reste. Pour une catégorie possédant des milliers d'échantillons, la marge est assignée pour être plus petite, permettant à l'ordinateur de se concentrer sur le maintien de ces nombreux exemples de manière groupée. Cet ajustement dynamique garantit que l'ordinateur n'ignore pas les articles rares simplement parce qu'ils apparaissent moins souvent dans les données d'entraînement.

Pour améliorer davantage la compréhension des formes par l'ordinateur, les chercheurs ont ajouté deux nouveaux composants structurels au réseau neuronal. Premièrement, ils ont conçu un moyen pour que l'ordinateur observe les caractéristiques de l'objet à différents niveaux de détail simultanément, combinant les formes globales avec les textures de surface fines. Cela s'apparente à la façon dont un humain pourrait regarder une chaise et remarquer à la fois la silhouette générale et la courbe spécifique d'un pied, plutôt que de ne voir qu'un seul des deux. Deuxièmement, ils ont créé un module léger pour aligner les nuages de points avant que l'ordinateur ne commence à apprendre. Puisque les objets 3D peuvent être pivotés ou inclinés dans n'importe quelle direction, ce module fait pivoter les données vers une position standard et droite, rendant beaucoup plus facile la reconnaissance de l'objet par le système, quel que soit son orientation initiale. Cette étape d'alignement est cruciale car elle élimine la confusion causée par les angles aléatoires, permettant à l'ordinateur de se concentrer purement sur la forme elle-même.

Les chercheurs ont testé leur méthode sur deux grands ensembles de données bien connus contenant des milliers de modèles 3D, allant d'articles ménagers simples à des pièces mécaniques complexes. Dans le premier test, utilisant un ensemble de données comprenant quarante catégories différentes, leur système a atteint une précision de classification de 93,7 pour cent, dépassant légèrement les meilleures méthodes existantes utilisant des nuages de points. Plus important encore, lorsqu'on lui a demandé de rechercher des objets similaires dans une base de données, leur système a atteint un score de performance de 92,3 pour cent, ce qui est nettement supérieur à toute autre méthode basée sur les nuages de points et surpasse même les systèmes utilisant plusieurs vues de caméra pour voir l'objet sous différents angles. Dans un second test, plus difficile, impliquant un ensemble de données de cinquante-cinq catégories où les objets étaient pivotés de manière aléatoire, leur méthode a de nouveau dominé en qualité de recherche, prouvant qu'elle pouvait trouver le bon objet même lorsque la forme était tournée de manières imprévisibles.

Ce qui rend cette réussite particulièrement notable est l'efficacité du système. Alors que d'autres méthodes performantes nécessitent souvent des quantités massives de puissance de calcul ou des configurations complexes impliquant plusieurs caméras, cette nouvelle approche fonctionne avec un seul ensemble de points et utilise une fraction des ressources de traitement. L'ensemble du système nécessite moins de cinq cent mille paramètres, une mesure de la complexité du système, et s'exécute rapidement sur du matériel informatique standard. Cela signifie que cette technologie pourrait être déployée dans des applications réelles, telles que sur des robots ou des appareils mobiles, où la vitesse et la faible consommation d'énergie sont essentielles. Les chercheurs ont démontré qu'en changeant simplement la façon dont l'ordinateur apprend à partir de données déséquilibrées et en organisant plus efficacement ses caractéristiques internes, il est possible de construire un système de vision 3D qui est à la fois hautement précis et incroyablement efficace.

L'étude conclut que la clé d'une meilleure reconnaissance 3D n'est pas seulement d'avoir plus de données, mais d'avoir une manière plus intelligente d'utiliser les données déjà disponibles. En adaptant les règles d'apprentissage aux besoins spécifiques de chaque catégorie d'objets et en affinant la façon dont l'ordinateur traite l'information spatiale, les chercheurs ont créé un outil qui gère avec grâce la réalité désordonnée des ensembles de données déséquilibrés. Leurs travaux suggèrent que l'avenir de la reconnaissance d'objets 3D réside dans ces systèmes adaptatifs et efficaces qui peuvent apprendre du monde tel qu'il est, avec toutes ses variations et ses déséquilibres, plutôt que de forcer le monde à entrer dans un modèle rigide et idéalisé.