|
Apprentissage non-supervisé par STDP dans un système bioinspiré de traitement de l'information visuelle| old_uid | 165 |
|---|
| title | Apprentissage non-supervisé par STDP dans un système bioinspiré de traitement de l'information visuelle |
|---|
| start_date | 2005/11/09 |
|---|
| schedule | 11h-12h30 |
|---|
| online | no |
|---|
| location_info | bât. principal, par esc. A, /, 3e étage, Les hauts du DI |
|---|
| summary | La vitesse à laquelle les images peuvent être analysées par le système visuel constitue un challenge majeur pour les modèles neurocomputationnels de traitement de l'information. En particulier, notre capacité à initier des réponses comportementales rapides à la présentation de stimuli visuels complexes implique qu'à chaque étape du système visuel, l'information doit être traitée en 10 millisecondes maximum. Là où les modèles basés sur le taux de décharge des neurones manquent d'expliquer de telles performances, des stratégies temporelles semblent en mesure de nous fournir les clés pour développer un système de vision artificielle biologiquement plausible. Avec un seul spike par cellule, la scène visuelle peut théoriquement être encodée dans la structure spatio-temporelle d'une réponse de population, une vague de spikes où le premier 1% est souvent suffisant à identifier différents stimuli. Si cela explique la rapidité du traitement, il reste à comprendre comment les neurones apprennent à produire des réponses sélectives. Ici, nous exposerons comment la plasticité dépendant des temps de spike (STDP pour « Spike Time Dependent Plasticity ») permettrait l~émergence de représentations visuelles pour le traitement rapide. De plus, le caractère autonome des modifications induites par STDP implémente de fait un apprentissage de population non-supervisé, mais aussi itératif : une population de neurones à une étape donnée de la hiérarchie visuelle ne peut apprendre qu'une fois la population précédente arrivée à maturation. Ces résultats théoriques ont des implications critiques pour notre compréhension du traitement neuronal de l'information: la prise en compte de la dimension temporelle fournit des clés pour comprendre comment même des tâches visuelles complexes peuvent être exécutées avec une simple vague de spikes. Ils autoriseraient aussi le développement, sur machine, de systèmes de vision relativement autonomes... |
|---|
| responsibles | Faugeras, Deneux |
|---|
| |
|