La vision par ordinateur est le sous-domaine de l'intelligence artificielle qui vise à permettre aux machines d'extraire des informations significatives à partir d'images et de vidéos, notamment la reconnaissance d'objets, la compréhension de scènes, le suivi de mouvements et, dans les applications génératives, la production de nouveaux contenus visuels. Elle s'appuie sur le apprentissage automatique, le traitement du signal et la géométrie, et a été l'un des bancs d'essai les plus constamment productifs pour la recherche en apprentissage profond.
Historique
La vision par ordinateur primitive, des années 1960 aux années 2000, reposait sur des caractéristiques conçues à la main, des détecteurs de contours et des modèles géométriques élaborés par les chercheurs, combinés à des classificateurs classiques d'apprentissage automatique. Les progrès étaient lents et les performances sur les images du monde réel restaient limitées. Le changement décisif du domaine est venu avec le jeu de données ImageNet, publié en 2009, et le concours annuel ILSVRC qui l'accompagnait, offrant aux chercheurs un benchmark standardisé et de grande envergure pour la reconnaissance d'objets. En 2012, AlexNet, un réseau de neurones convolutif entraîné sur des GPU, a remporté l'ILSVRC avec une large avance, un événement souvent cité comme le début de l'ère moderne de l'apprentissage profond, discuté plus en détail dans l'entrée sur ImageNet 2012 (AlexNet moment). Les réseaux convolutifs ont dominé le domaine pendant la décennie suivante.
Tâches fondamentales
Les tâches classiques de la vision par ordinateur incluent la classification d'images, qui attribue une étiquette à une image ; la détection d'objets, qui localise et étiquette plusieurs objets dans une image ; la segmentation sémantique et par instance, qui étiquette chaque pixel par catégorie ou par instance d'objet ; et l'estimation de pose. Les tâches vidéo ajoutent le suivi d'objets à travers les trames et la reconnaissance d'actions dans le temps. Chaque tâche nécessitait historiquement des architectures spécialisées, bien que les modèles de vision basés sur les transformeurs aient ensuite de plus en plus unifié plusieurs tâches sous des backbones partagés.
Des CNN aux transformeurs
Les réseaux convolutifs sont restés l'architecture dominante jusqu'au milieu des années 2010, avec des conceptions de plus en plus profondes et efficaces. À partir d'environ 2020, les chercheurs ont adapté l'architecture transformeur, initialement développée pour le traitement du langage naturel, aux images en traitant une image comme une séquence de patchs, une approche connue sous le nom de Vision Transformer. Les modèles de vision basés sur les transformeurs se sont révélés compétitifs ou supérieurs aux CNN à grande échelle et sont devenus plus faciles à combiner avec le texte, contribuant à l'essor des modèles vision-langage tels que CLIP, qui apprend une représentation partagée pour les images et les légendes.
Vision générative et multimodale
Depuis le début des années 2020, la vision par ordinateur chevauche de plus en plus la modélisation générative : les réseaux antagonistes génératifs et plus tard les modèles de diffusion ont permis non seulement d'interpréter les images, mais aussi de les produire, alimentant les systèmes de texte vers image et de texte vers vidéo. Les modèles vision-langage intégrés dans des systèmes à usage général ont étendu la vision par ordinateur de tâches de reconnaissance étroites vers la réponse à des questions visuelles ouvertes et le raisonnement sur les images dans le cadre de l'IA multimodale.
Applications et préoccupations
La vision par ordinateur sous-tend la reconnaissance faciale, l'analyse d'images médicales, la perception des véhicules autonomes, l'inspection industrielle de la qualité et la modération de contenu, parmi de nombreuses autres utilisations. Son déploiement a suscité des critiques concernant le biais algorithmique, en particulier des disparités documentées en matière de précision dans la reconnaissance faciale entre les groupes démographiques, ainsi que des utilisations de surveillance qui soulèvent des préoccupations en matière de libertés civiles, alimentant des débats plus larges sur les usages acceptables de la technologie.