Récupération de données :le modèle de réseau neuronal du NIST trouve de petits objets dans des images denses

Dans le but de capturer automatiquement des données importantes à partir d'articles scientifiques, des informaticiens du National Institute of Standards and Technology (NIST) ont développé une méthode pour détecter avec précision de petits objets géométriques tels que des triangles dans des tracés denses et de faible qualité contenus dans des données d'image. Utilisant une approche de réseau neuronal conçue pour détecter des modèles, le modèle NIST a de nombreuses applications possibles dans la vie moderne.

Le modèle de réseau neuronal du NIST a capturé 97 % des objets dans un ensemble défini d'images de test, localisant les centres des objets à quelques pixels d'emplacements sélectionnés manuellement. Les chercheurs ont pris les données d'articles de revues remontant au début des années 1900 dans une base de données de propriétés métalliques au Centre de recherche en thermodynamique (TRC) du NIST. Souvent, les résultats n'étaient présentés que sous forme graphique, parfois dessinés à la main et dégradés par numérisation ou photocopie. Les chercheurs voulaient extraire les emplacements des points de données pour récupérer les données brutes d'origine pour une analyse supplémentaire. Jusqu'à présent, ces données étaient extraites manuellement.

Les images présentent des points de données avec une variété de marqueurs différents, principalement des cercles, des triangles et des carrés, remplis et ouverts, de taille et de clarté variables. Ces marqueurs géométriques sont souvent utilisés pour étiqueter des données dans un graphique scientifique. Le texte, les nombres et d'autres symboles, qui peuvent faussement apparaître comme des points de données, ont été supprimés manuellement d'un sous-ensemble de figures avec un logiciel d'édition graphique avant de former les réseaux de neurones.

La détection et la localisation précises des marqueurs de données étaient un défi pour plusieurs raisons. Les marqueurs sont incohérents en termes de clarté et de forme exacte ; ils peuvent être ouverts ou remplis et sont parfois flous ou déformés. Certains cercles apparaissent extrêmement circulaires, par exemple, tandis que d'autres n'ont pas assez de pixels pour définir complètement leur forme. De plus, de nombreuses images contiennent des zones très denses de cercles, de carrés et de triangles qui se chevauchent.

Les chercheurs ont cherché à créer un modèle de réseau qui identifie les points du tracé au moins aussi précisément que la détection manuelle :à moins de 5 pixels de l'emplacement réel sur un tracé de plusieurs milliers de pixels de côté.

Les chercheurs du NIST ont adopté une architecture de réseau développée à l'origine par des chercheurs allemands pour l'analyse d'images biomédicales, appelée U-Net. Tout d'abord, les dimensions de l'image sont contractées pour réduire les informations spatiales, puis des couches d'informations sur les caractéristiques et le contexte sont ajoutées pour créer des résultats précis et à haute résolution.

Pour aider à entraîner le réseau à classer les formes de marqueurs et à localiser leurs centres, les chercheurs ont expérimenté quatre manières de marquer les données d'entraînement avec des masques, en utilisant des marques centrales et des contours de différentes tailles pour chaque objet géométrique.

Les chercheurs ont découvert que l'ajout de plus d'informations aux masques, telles que des contours plus épais, augmentait la précision de la classification des formes d'objets, mais réduisait la précision de la localisation de leurs emplacements sur les tracés. Au final, les chercheurs ont combiné les meilleurs aspects de plusieurs modèles pour obtenir la meilleure classification et les plus petites erreurs de localisation. La modification des masques s'est avérée être le meilleur moyen d'améliorer les performances du réseau, plus efficace que d'autres approches telles que de petits changements à la fin du réseau.

La meilleure performance du réseau - une précision de 97% dans la localisation des centres d'objets - n'a été possible que pour un sous-ensemble d'images dans lesquelles les points du tracé étaient à l'origine représentés par des cercles, des triangles et des carrés très clairs. Les performances sont suffisamment bonnes pour que le TRC utilise le réseau de neurones pour récupérer les données des tracés dans les journaux les plus récents.