maximeK a écrit :



“sensor fusion” et apprentissage profond  : On dit deep learning

 Son quand même fort :) a voir pour les détails techniques.

Non, apprentissage profondse dit bien en français même si effectivement le terme anglais est plus usuel (pour des raisons évidentes de littérature scientifique internationale, le “Deep learning” n’est pas encore entré dans nos chaumières). L’un des inventeurs est quand même français et fait partie des références du domaine : Yann Le Cun.







fusion_sadam a écrit :



Y’a quand même des chances que les produits soit équipé de RFID, car en pur reconnaissance d’image ça serait monstrueusement complexe.

Les puces RFID sont déjà exploité pour faire de l’inventaire, elles permettent de compter le nombre d’article dans un rayon avec une distance acceptable. couplé à une vérification par image, ça peut donner quelques pistes intéressantes.

Mais pour les fruits et légumes …  " />





La reconnaissance d’image n’est plus aussi complexe que ça. C’est même devenu bien plus efficace qu’un humain sur certain point (aujourd’hui les machines lisent mieux les CAPTCHA que les humains; ironique, n’est ce pas ?). L’utilisation même d’outils comme des réseaux de neurones ne demande pas beaucoup de puissance lorsqu’il est “en production”, ce n’est généralement que des calcules simples (l’architecture de base, la fonction sigmoïde est la plus courante : f-> 1/(1+ exp(- sum(k_ij*x_i) ) ou x_i est la sortie des neurones de la couche précédente et k_ij étant le poids de la liaison entre le neurone actuel et le neurone de la couche précédente. Tu fais ça sur tout les neurones d’un couche, puis tu recommence avec les neurones de la couche suivante jusqu’à arriver à la couche de sortie )sur des matrices et une architecture fortement parallèle comme un GPU est particulièrement efficace pour ce genre de truc. C’est lorsqu’il est en apprentissage qu’il faut énormément de puissance (l’apprentissage ici consiste à trouver les valeurs k_ij pour qu’à une entrée donné, le réseau donne la bonne sortie).



PS : c’est la version très simple du réseau de neurone, celui avec tout le monde commence, je ne suis que très novice dans le domaine.

malock a écrit :



Oui, c’est vrai, ça a progressé, mais quand même, on est loin du panel de techno qui va bien où “on fait ce que l’on veut avec”.

La reconnaissance d’image dans les scènes naturelles, avec la sémantique qui va bien et tout et tout, ce n’est pas non plus abouti hein.





En soit, dans le cas présent, la sémantique est assez limité : “un client prend un article”, “un client repose un article”. Après, ce n’est que de la reconnaissance de client (tracking ?) et surtout d’articles.







Au passage pour les fruits&légumes en libre service, il suffit de laisser les clients peser leur fruit sur une balance qui elle est aussi connecté au système de suivie.

(je me rappelle avoir utilisé des balances il y a quelques années qui faisaient déjà des propositions entre quelques fruits/légumes possibles lorsqu’on les posait dessus)

fusion_sadam a écrit :



Oui mais il y’a un fossé gigantesque entre la reconnaissance d’une image et la reconnaissance d’une action.

Travailler sur un mouvement implique de reconnaître un pattern temporelle dans une suite d’image.

La difficulté explose littéralement, la conception même de la base d’apprentissage et de sa labellisation doit être un travail titanesque.



Je pense sincèrement que si Amazon possède un tel model, leur priorité pour la monétiser serait surement pas un “supermarché 2.0”  " />





Je ne connais pas trop les réseaux de neurone, je reste “novice” dans le domaine, mais il me semble que les “reccurent neural network” (ici les couches ont une boucle sur elle même) est justement adapté à l’analyse de séquences.

Pour ce qui est de la labellisation de la base d’apprentissage, Amazon a justement une plateforme parfaite pour ça : Turk.