Malgré la simplicité de leur système visuel, les mouches des fruits sont capables de distinguer de façon fiable les individus en fonction de leur seule vue. Les chercheurs ont maintenant établi un réseau neuronal qui imite le système visuel de la mouche des fruits et peut distinguer et réidentifier les mouches. Cela pourrait permettre aux milliers de laboratoires du monde entier qui utilisent les mouches des fruits comme organisme modèle d’effectuer davantage de travaux longitudinaux, en examinant comment les mouches individuelles changent avec le temps. Cela prouve également que la vision de l’humble mouche des fruits est plus claire qu’on ne le pensait auparavant.
Dans le cadre d’un projet interdisciplinaire financé par une subvention de l’Institut canadien de recherches avancées (ICRA), des chercheurs de l’Université de Guelph et de l’Université de Toronto, à Mississauga, ont combiné leur expertise en biologie des mouches des fruits à l’apprentissage machine pour créer un algorithme biologique qui se sert de vidéos basse résolution de mouches des fruits afin de tester si un système aussi difficile à réaliser est physiquement possible à l’aide de contraintes aussi grandes.
Les mouches des fruits ont de petits yeux composés qui recueillent une quantité limitée d’information visuelle, soit environ 29 unités au carré. L’opinion traditionnelle était qu’une fois que l’image est traitée par une mouche des fruits, elle ne peut distinguer que des caractéristiques très larges. Mais une découverte récente selon laquelle les mouches des fruits peuvent améliorer leur résolution efficace grâce à des astuces biologiques subtiles a amené les chercheurs à croire que la vision pourrait contribuer de manière significative à la vie sociale des mouches. Ceci, combiné à la découverte que la structure de leur système visuel ressemble beaucoup à un Deep Convolutional Network (DCN), a conduit l’équipe à se demander : “Peut-on modéliser un cerveau de mouche qui peut identifier des individus ?”
Leur programme informatique a la même capacité théorique d’entrée et de traitement qu’une mouche des fruits et a été formé sur vidéo d’une mouche pendant deux jours. Il a ensuite été en mesure d’identifier de façon fiable la même mouche le troisième jour avec un score F1 (une mesure qui combine précision et rappel) de 0,75. Impressionnant, c’est à peine pire que les scores de 0,85 et 0,83 pour les algorithmes sans les contraintes de la biologie du cerveau de la mouche. À titre de comparaison, lorsqu’on leur a confié la tâche plus facile d’apparier la ” photo d’identité ” d’une mouche à un champ de 20 autres mouches, les biologistes humains expérimentés n’ont obtenu qu’une note de 0,08. La chance aléatoire serait de 0,05.
Selon Jon Schneider, le premier auteur de l’article publié dans PLOS ONE cette semaine, cette étude souligne “la possibilité alléchante qu’au lieu d’être simplement capable de reconnaître de larges catégories, les mouches des fruits peuvent distinguer les 
individus. Alors quand l’un atterrit à côté de l’autre, c’est “Salut Bob, salut Alice.” ”
Graham Taylor, spécialiste de l’apprentissage machine et boursier CIFAR Azrieli Global Scholar dans le cadre du programme Learning in Machines and Brains, était enthousiaste à l’idée de battre des humains à une tâche visuelle. “Beaucoup d’applications de Deep Neural Network tentent de répliquer et d’automatiser les capacités humaines comme la reconnaissance faciale, le traitement du langage naturel ou l’identification des chansons. Mais ils dépassent rarement les capacités humaines. C’est excitant de trouver un problème où les algorithmes peuvent surpasser les humains.”
Les expériences ont eu lieu dans le laboratoire de Joel Levine de l’Université de Toronto à Mississauga, un chercheur principal du programme CIFAR Child & Brain Development. Il a de grands espoirs pour l’avenir de la recherche comme celle-ci. “L’approche consistant à jumeler des modèles d’apprentissage profond avec des systèmes nerveux est incroyablement riche. Il peut nous parler des modèles, de la façon dont les neurones communiquent entre eux, et il peut nous parler de l’animal dans son ensemble. C’est plutôt époustouflant. Et c’est un territoire inexploré.”
Schneider a résumé ce que c’était que de travailler entre disciplines : “Des projets comme celui-ci sont une arène parfaite pour les neurobiologistes et les chercheurs en apprentissage machine pour travailler ensemble afin de découvrir les principes fondamentaux de la façon dont tout système – biologique ou autre – apprend et traite l’information.
Source :
Institut canadien de recherches avancées
