CRITICAL COMPONENT DETECTION USING DEEP LEARNING AND ATTENTION

Techniques for training a first electronic neural network classifier to identify a presence of a particular property in a novel supra-image while ignoring a spurious correlation of the presence of the particular property with a presence of an extraneous property are presented. The techniques include obtaining supra-images; passing each supra-image through a second electronic neural network classifier trained to identify a presence of the extraneous property, such that an attention weight is assigned to each component of the supra-image; identifying, for each supra-image that has a positive classification by the second electronic neural network classifier, a supra-image threshold attention weight, where each component that has a respective attention weight above its supra-image threshold attention weight corresponds to positive classification by the second electronic neural network classifier; removing components of the supra-image that have respective attention weights above their respective supra-image threshold attention weights; and training the first electronic neural network. L'invention concerne des techniques d'apprentissage d'un premier classificateur de réseau neuronal électronique pour identifier une présence d'une propriété particulière dans une nouvelle supra-image tout en ignorant une corrélation parasite de la présence de la propriété particulière avec une présence d'une propriété étrangère. Les techniques consistent à obtenir des supra-images ; à passer chaque supra-image à travers un second classificateur de réseau neuronal électronique formé pour identifier une présence de la propriété étrangère de telle sorte qu'un poids d'attention soit attribué à chaque composant de la supra-image ; à identifier, pour chaque supra-image qui présente une classification positive par le second classificateur de réseau neuronal électronique, un poids d'attention de seuil de supra-image, chaque composant qui présente un poids d'attention respectif au-dessus de son poids d'attention de seuil de supra-image correspondant à une classification positive par le second classificateur de réseau neuronal électronique ; à éliminer des composants de la supra-image qui ont des poids d'attention respectifs au-dessus de leurs poids d'attention de seuil d'image supra-image respectifs ; et à former le premier réseau neuronal électronique.