Implémentation d'un système préattentionnel avec des neurones impulsionnels

par Sylvain Chevallier

Thèse de doctorat en Informatique

Sous la direction de Hélène Paugam-Moisy et de Philippe Tarroux.


  • Résumé

    Les neurones impulsionnels prennent en compte une caractéristique fondamentale des neurones biologiques : la capacité d'encoder l'information sous forme d'événements discrets. Nous nous sommes intéressés à l'apport de ce type de modèles dans le cadre de la vision artificielle, dont les contraintes nous ont orienté vers le choix de modèles simples, adaptés à la rapidité de traitement requise. Nous décrivons une architecture de réseaux pour encoder et extraire des saillances utilisant la discrétisation induite par les neurones impulsionnels. La carte de saillances est obtenue à partir de la combinaison, spatiale et temporelle, de différentes cartes de modalités visuelles (contrastes, orientations et couleurs) à différentes échelles spatiales. Nous proposons une méthode de filtrage neuronal pour construire les cartes de modalité visuelle. Cette méthode réalise le filtrage de façon graduelle : au plus le temps de traitement alloué à l'algorithme est important, au plus le résultat est proche de celui obtenu avec un filtrage par convolution. L'architecture proposée donne en sortie les saillances triées temporellement dans l'ordre de leur importance. Nous avons placé en aval de cette architecture un autre réseau de neurones impulsionnels, s'inspirant des champs neuronaux, qui permet de sélectionner la zone la plus saillante et de maintenir une activité constante sur cette zone. Les résultats expérimentaux montrent que l'architecture proposée est capable d'extraire des saillances dans une séquence d'images, de sélectionner la saillance la plus importante et de maintenir la focalisation sur cette saillance, même dans un contexte bruité ou quand la saillance se déplace.

  • Titre traduit

    Preattentional system implemented with spiking neurons


  • Résumé

    Spiking neurons seem to capture important characteristics of biological neurons with relatively simple models. Their main interest is their ability to code information as discrete events. We have investigated the possible contributions of these models to artificial vision. Due to vision constraints, particularly for processing time, we use simple spiking neural models. A spiking neuron network architecture is described for encoding and extracting saliencies, thanks to the discretization induced by spiking neurons. The saliency map is a combination, in space and temporal domain, of visual modality maps (contrasts, orientations and colors) for different spatial scales. We propose a neural filtering method for building the modality maps. This method implements a process, similar to convolution filtering, by gradual approximation : the more processing time is allowed to the algorithm, the better is the approximation. The architecture ranks the saliencies in the order of their interest, with the most important encoded first. Another spiking neuron network, inspired by dynamic neural fields, is attached on top of the architecture, allowing to select the most salient region and to focus on. Experimental results point out that the architecture is able to extract saliencies in a sequence of images, to select the most salient region and to focus on this region, in presence of noise or when the saliency moves.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (XIV-183 p.)
  • Annexes : Bibliogr. p. 147-164

Où se trouve cette thèse ?

  • Bibliothèque : Université Paris-Sud (Orsay, Essonne). Service Commun de la Documentation. Section Sciences.
  • Disponible pour le PEB
  • Cote : 0g ORSAY(2009)252
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.