Projets de recherche en sciences et médecine

Le deep learning au service des documents historiques

Le groupe de recherche du Professeur Rolf Ingold se penche depuis plusieurs années sur la problématique de reconnaissance de documents historiques. Concrètement, il s’agit de reconnaître et d’interpréter leur contenu à partir d’images en hautes résolutions (10 mégapixels et plus). Les problèmes sont complexes et englobent de nombreuses tâches qui vont de l’analyse des structures de pages (avec de nombreuses variantes stylistiques et des ornements divers) jusqu’à la transcription automatique des textes. Les résultats ainsi obtenus sont un atout pour l’indexation des bibliothèques numériques et présentent un grand intérêt pour d’autres chercheuses et chercheurs de différentes disciplines de sciences humaines, notamment en paléographie, en histoire ou en linguistique.

Ces travaux ont fait l’objet de plusieurs dizaines de publications. Les principaux résultats ont été résumés dans un livre intitulé Handwritten Historical Document Analysis, Recognition and Retrieval – State of the Art and Future Trends et publié par World Scientific en 2021.

Nouvelles stratégies

Grâce au développement de l’apprentissage automatique au moyen de réseaux neuronaux profonds, des percées significatives ont été obtenues ces dernières années. Malgré cela, il subsiste plusieurs obstacles, dont le principal est la disponibilité insuffisante de données annotées pour l’apprentissage. Dès lors, le groupe de recherche oriente maintenant ses travaux vers de nouvelles stratégies d’apprentissage dont l’objectif est de réduire la quantité de données nécessaires. Parmi les approches explorées, il faut mentionner l’utilisation de données générées de manière synthétique et qui simulent les caractéristiques des documents réels, y compris leurs dégradations. L’avantage par rapport aux données réelles, c’est que les annotations peuvent être produites massivement par algorithme et cela sans l’intervention d’un·e expert·e.

Une autre piste intéressante est l’entraînement des réseaux neuronaux au moyen de tâches prétextes pour lesquelles le résultat recherché peut être défini par un algorithme. On sait en effet de la littérature scientifique que les réseaux neuronaux sont capables de transfert de connaissance d’un domaine à un autre. On peut ainsi pré-entraîner un modèle avec une première tâche, puis le spécialiser pour une autre tâche. Une telle stratégie permet alors de réduire la quantité de données annotées nécessaires à la seconde phase.

Intelligente Kunststoffe

Nachdem Kunststoffe im letzten Jahrhundert die Welt erobert haben, finden diese heute in praktisch allen Bereichen unseres Alltags breite Verwendung. Traditionell wurde die Entwicklung dieser Materialien von dem Paradigma geleitet, dass ihre Eigenschaften von den Umgebungsbedingungen unbeeinflusst bleiben sollten, so dass Schwankungen der Temperatur, der Feuchtigkeit oder der Lichtverhältnisse die Funktion eines bestimmten Produkts nicht verändern. AMI-Professor Christoph Weder und sein Team haben diese Idee auf den Kopf gestellt und entwerfen gezielt Materialien, welche durch den Einfluss externer Faktoren ihre Farbe, Form, Festigkeit, oder andere Eigenschaften in vorhersehbarer und nützlicher Weise verändern. Durch solche «stimuli-responsive» oder «intelligenten» Polymere lassen sich neu­artige Funktionen realisieren, wie zum Beispiel die Anzeige mechanischer Defekte durch optische Warnsignale, die Fähigkeit solche Defekte effizient zu heilen, oder die Möglichkeit, Produkte durch einfache Umformbarkeit an die individuellen Bedürfnisse von Nutzern anpassen zu können.