Mesurer les méthodes d’apprentissage en profondeur pour plus d’un

En sélection végétale, le phénotypage des plantes est l’étude détaillée des caractéristiques « visibles » ou traits phénotypiques d’une plante. Il s’agit de compter le nombre de plantes résultant d’une expérience de croisement et de classer les caractéristiques affichées par la progéniture ou la descendance. La souche avec les traits souhaités est ensuite croisée pour produire la prochaine génération de cultures, et le processus est répété pour améliorer la diversité des cultures. Les méthodes conventionnelles de caractérisation phénotypique des plantes manquent généralement d’évolutivité, de précision et sont très laborieuses. Cela impose certains goulots d’étranglement aux programmes de sélection des cultures.

Cependant, avec les progrès technologiques et le besoin connexe de sécurité alimentaire mondiale pour maintenir la croissance démographique, de nouvelles méthodes occupent lentement le devant de la scène. Parmi celles-ci figurent des techniques basées sur l’imagerie qui capturent des images, extraient des caractéristiques à l’aide d’outils d’apprentissage automatique, comparent les résultats avec les bases de données disponibles et effectuent des tâches de phénotypage dans un délai beaucoup plus court et avec une plus grande précision. Actuellement, la plupart des approches d’apprentissage automatique adhèrent à un cadre d’apprentissage supervisé avec des ensembles de données étiquetés, ce qui peut être coûteux et prendre du temps. L’apprentissage auto-supervisé (SSL) est une méthode d’apprentissage automatique qui réduit le besoin de données étiquetées. Malgré l’augmentation significative de la recherche sur le SSL, il y a eu une pénurie d’applications du SSL dans les tâches de phénotypage des plantes basées sur l’image.

Dans une nouvelle étude, une équipe de recherche dirigée par le professeur agrégé Ian Stephens de l’Université de la Saskatchewan, au Canada, a mesuré les performances de deux méthodes SSL pour améliorer les phénotypes des plantes. L’étude, qui affirme que la méthode auto-supervisée peut être plus sensible à la fréquence d’un ensemble de données de pré-formation que la méthode supervisée, Publié dans le tome 5 de Phénomique végétale le 3 avril 2023. Le professeur agrégé Stephens explique :Ces résultats soulignent l’importance de prêter attention à la redondance des ensembles de données lors de la formation des modèles sur les tâches de phénotypage des plantes, en particulier lorsque les méthodes SSL sont utilisées.. « 

Cette étude a utilisé le blé comme culture modèle pour comparer deux méthodes SSL conventionnelles supervisées (pré-formation) – Momentum Covariance (MoCo) v2 et Dense Covariance Learning (DenseCL). Toutes les méthodes d’apprentissage ont été soumises à 4 tâches de phénotypage : détection d’épis de blé, détection d’instance de plante, comptage d’épillets de blé et comptage de feuilles. L’équipe a constaté que la pré-formation supervisée produisait les modèles les plus performants pour toutes les tâches, à l’exception du comptage des feuilles.

Les méthodes SSL de variation, contrairement à la méthode supervisée, s’appuient fortement sur de grandes bases de données étiquetées et annotées pour effectuer des tâches de phénotypage. L’algorithme est formé pour rapprocher les échantillons positifs et éloigner les échantillons négatifs, augmentant ainsi la puissance des échantillons positifs et entraînant l’algorithme à sélectionner davantage de ces échantillons. Alors que MoCo v2 améliore les fonctionnalités globales de l’échantillon au niveau de l’image, DenseCL se concentre sur les fonctionnalités au niveau des pixels locaux. Les deux méthodes ont montré des performances similaires dans le contexte d’une représentation interne des modèles de formation pour les tâches requises.

Pour que les algorithmes de pré-formation fonctionnent bien, un ensemble de données spécialisé mais fondamentalement diversifié est nécessaire. Cependant, face à la redondance dans de grands ensembles de données, les méthodes auto-supervisées sont plus performantes en termes de précision et de sensibilité. Étant donné que les conclusions de l’étude sont tirées principalement d’observations expérimentales avec peu de justification théorique, les auteurs souhaitent étendre leurs travaux aux expériences de sélection des cultures, qui incluront des informations plus granulaires et les aideront à former des algorithmes pour des applications pratiques et une commercialisation à grande échelle.

Le professeur adjoint Stephens conclut en disant : « SSL peut être utilisé pour apprendre une représentation plus riche des phénotypes végétaux en la faisant correspondre aux données de génotype et d’écologie dans l’espace d’intégration partagé. Nous espérons que cette étude de benchmarking ou d’évaluation guidera les praticiens dans le développement de meilleures méthodes SSL pour les phénotypes de plantes basés sur l’image. »

Ces résultats soulignent que si l’intelligence artificielle peut nous faciliter la vie à certains égards, elle ne peut toujours pas contrôler les humains.

###

référence

Auteurs

Franklin C Ogedei, Mark G Eramian et Ian Stephens

affiliation

Département d’informatique, Université de la Saskatchewan, Saskatoon, Canada