IMAGE CLASSIFICATION, GENERATION AND APPLICATION OF NEURAL NETWORKS

The present invention relates to generating and training neural networks for application in numerous fields including object or event recognition in images including visual sequences. There is provided a computerised method of generating a neural network (NN), comprising generating successive candidate NNs (310, 545) using an optimisation algorithm (530), each NN having a number of connected blocks of layers (205), the layers having a plurality of neurons with connections having associated weights. Each block comprises fixed and variable architectural parameters (210X, 210Y), the or each variable architectural parameter being determined by an optimisation algorithm. Each candidate NN is trained using training data in order to update the weights of the candidate NN (320), and a fitness function score of the trained candidate NN is determined using validation data (330). If there is a block having the same architectural parameters from a previously trained candidate NN, the weights associated with layers of said block are inherited prior to training and fitness score determination (425). La présente invention concerne la génération et l'apprentissage de réseaux neuronaux, pour une application dans de nombreux domaines comprenant la reconnaissance d'objets ou d'événements dans des images comprenant des séquences visuelles. Selon l'invention, un procédé informatisé de génération d'un réseau neuronal (NN) consiste à générer NN candidats successifs (310, 545) à l'aide d'un algorithme d'optimisation (530), chaque NN ayant un nombre de blocs connectés de couches (205), les couches ayant une pluralité de neurones avec des connexions qui ont des poids associés. Chaque bloc comprend des paramètres architecturaux fixes et variables (210X, 210Y), le ou chaque paramètre architectural variable étant déterminé par un algorithme d'optimisation. Chaque NN candidat est entraîné à l'aide de données d'apprentissage afin de mettre à jour les poids du NN candidat (320), et un score de fonction d'adaptation du NN candidat entraîné est déterminé à l'aide de données de validation (330). Si un bloc présente les mêmes paramètres architecturaux qu'un NN candidat précédemment entraîné, les poids associés aux couches dudit bloc sont hérités avant l'apprentissage et la détermination de score d'adaptation (425).