Thèse soutenue

Architectures neuro-inspirées pour l'acquisition et le traitement de l'information visuelle
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Ala Aboudib
Direction : Gilles Coppin
Type : Thèse de doctorat
Discipline(s) : Sciences et Technologies de l'Information et de la Communication
Date : Soutenance le 02/12/2016
Etablissement(s) : Télécom Bretagne
Ecole(s) doctorale(s) : Santé, Information-Communications, Mathématiques, Matière
Partenaire(s) de recherche : Laboratoire : Laboratoire en sciences et techniques de l'information, de la communication et de la connaissance - Laboratoire des sciences et techniques de l'information- de la communication et de la connaissance / Lab-STICC
Jury : Président / Présidente : Gérard Berry
Examinateurs / Examinatrices : Fan Yang Song, Vincent Gripon, Claude Berrou
Rapporteurs / Rapporteuses : Olivier Le Meur, Jean Ponce

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

L'apprentissage automatique et la vision par ordinateur sont deux sujets de recherche d'actualité. Des contributions clés à ces domaines ont été les fruits de longues années d'études du cortex visuel et de la fonction des réseaux cérébraux. Dans cette thèse, nous nous intéressons à la conception des architectures neuro-inspirées pour le traitement de l'information sur trois niveaux différents du cortex visuel. Au niveau le plus bas, nous proposons un réseau de neurones pour l'acquisition des signaux visuels. Ce modèle est étroitement inspiré par le fonctionnement et l'architecture de la retine et les premières couches du cortex visuel chez l'humain. Il est également adapté à l'émulation des mouvements oculaires qui jouent un rôle important dans notre vision. Au niveau le plus haut, nous nous intéressons à la mémoire. Nous traitons un modèle de mémoire associative basée sur une architecture neuro-inspirée dite `Sparse Clustered Network (SCN)'. Notre contribution principale à ce niveau est de proposer une amélioration d'un algorithme utilisé pour la récupération des messages partiellement effacés du SCN. Nous suggérons également une formulation générique pour faciliter l'évaluation des algorithmes de récupération, et pour aider au développement des nouveaux algorithmes. Au niveau intermédiaire, nous étendons l'architecture du SCN pour l'adapter au problème de la mise en correspondance des caractéristiques d'images, un problème fondamental en vision par ordinateur. Nous démontrons que la performance de notre réseau atteint l'état de l'art, et offre de nombreuses perspectives sur la façon dont les architectures neuro-inspirées peuvent servir de substrat pour la mise en oeuvre de diverses tâches de vision.