Biological Neuroscience | Laurent Perrinet

An open-source vision-science tool for the auto-regressive generation of dynamic stochastic textures Motion Clouds

Tue, 27 Aug 2024 00:00:00 +0000

Cortical recurrence supports resilience to sensory variance in the primary visual cortex

Tue, 06 Jun 2023 00:00:00 +0000

open access: https://www.nature.com/articles/s42003-023-05042-3
5 minutes summary: https://hugoladret.github.io/publications/ladret_et_al_variance_v1/
This neurophysiological work accompanies a similar study in theoretical neuroscience :
Hugo Ladret, Laurent U Perrinet (2023). Convolutional Sparse Coding is improved by heterogeneous uncertainty modeling. ICLR 2023 SNN Workshop.
PDF Cite URL

Communiqué de presse: Comment le cerveau fait face à l’incertitude ?

[Introduction :] Nous vivons dans un monde fait d’incertitudes, qui pourtant ne nous empêchepas d’effectuer nos tâches quotidiennes. Vous ne traverseriez pas la route avant d’être certain que le conducteur de la voiture passante vous a vu, pas d’avantage que vous ne vous approcheriez pas d’un buisson avant d’être sûr qu’il est occupé par un oiseau plutôt que par un lion. Malgré la nécessité fondamentale de résoudre ces incertitudes au quotidien, nous savons relativement peu sur la manière dont notre cerveau procède pour ce faire. Dans cet article publié dans Nature Communications Biology, les scientifiques présentent des enregistrements des neurones du cerveau, et mettent en évidence un nouveau type de neurone qui encode cette incertitude. Cette recherche est clé pour avancer la compréhension de notre cerveau et construire des modèles artificiels qui peuvent prendre en compte leurs certitudes. Imaginez que vous vous promeniez dans une forêt. Le vent bruisse dans les feuilles, quand soudain un bruit étrange attire votre attention. S’agit-il d’un écureuil qui se précipite sur le sentier à la vue de tous ? Ou peut-être d’un oiseau niché derrière les buissons, caché dans le feuillage ? Dans ce dernier cas, prenez-vous le temps de voir l’oiseau, ou en déduirez-vous que le bruissement est plutôt celui d’un lion, et vous enfuirez-vous le plus vite possible ? Ce simple scénario illustre un problème quotidien auquel nous sommes confrontés : comment notre cerveau peut-il donner un sens au monde, alors que nos sens sont bombardés d’informations peu fiables ? Ce manque de précision - l’inverse de la variance d’une information - est marquant dans le domaine de la vision. En effet, une image peut être décomposée en de nombreuses lignes ou “bords” qui forment sa structure, à l’instar d’un puzzle composé de nombreuses pièces différentes.

Figure 1. Les images naturelles (ici, une vue des calanques de Marseille), sont décomposées en éléments orientés (en bas à gauche) par des réseaux de neurones, dont les interactions sont contraintes par l’incertitude locale qui décrit des parties du champ visuel.

Cependant, toutes les pièces du puzzle ne sont pas coupées de la même manière, et certaines ont des bords plus variables que d’autres. C’est un problème pour la toute première zone de notre cerveau qui commence à donner un sens à ces “pièces de puzzle” visuelles, le cortex visuel primaire. Jusqu’à récemment, notre compréhension de la manière dont le cerveau traite ces données visuelles complexes reposait en grande partie sur l’observation du comportement humain [1,2]. Ces dernières années, cependant, les chercheurs ont commencé à sonder le cortex visuel primaire des macaques et ont découvert que cette zone du cerveau présente des comportements complexes qui reflètent les processus de prise de décision complexes que nous entreprenons en tant qu’êtres humains [3]. En effectuant des enregistrements dans le cortex visuel primaire, la zone responsable du traitement de l’information visuelle dans le cerveau, les chercheurs ont découvert un phénomène remarquable : les neurones de notre cortex visuel primaire ont des réponses distinctes à la complexité des images. Deux types principaux de neurones ont été identifiés sur la base de leurs réponses : certains sont relativement indifférents à l’augmentation de la variance, tandis que d’autres montrent une décroissance rapide de leur capacité d’encodage face à cette variance (non linéaires).

Figure 2 La variation du code des neurones face a une augmentation d’incertitude dépend de leur position dans le cortex (a, b), un phénomène expliqué par une activité récurrente plus intense pour les neurones encodant l’incertitude.

Globalement, la récurrence peut expliquer comment différents neurones encodent (ou non) la variance de leur entrée. Ces résultats vont dans le sens d’une compréhension plus complète du cerveau, qui ne se contente pas d’encoder des caractéristiques moyennes, comme le suggéraient les modèles précédents, mais prend également en compte la complexité des entrées, grâce à la connectivité entre les neurones. Il s’agit d’une étape cruciale pour comprendre comment notre cortex gère les “puzzles visuels” que nous rencontrons tous les jours, permettant au cerveau d’effectuer des calculs complexes sur des distributions probabilistes - un modèle qui gagne en popularité dans les neurosciences [5].

Références

[1] Von Helmholtz, H. (1925). Helmholtz’s treatise on physiological optics (Vol. 3). Optical Society of America. [2] Barthelmé, S., & Mamassian, P. (2009). Evaluation of objective uncertainty in the visual system. PLoS computational biology, 5(9), e1000504. [3] Hénaff, O. J., Boundy-Singer, Z. M., Meding, K., Ziemba, C. M., & Goris, R. L. (2020). Representation of visual uncertainty through neural gain variability. Nature communications, 11(1), 2513. [4] Leon, P. S., Vanzetta, I., Masson, G. S., & Perrinet, L. U. (2012). Motion clouds: model-based stimulus synthesis of natural-like random textures for the study of motion perception. Journal of neurophysiology, 107(11), 3217-3226. [5] Spratling, M. W. (2016). A neural implementation of Bayesian inference based on predictive coding. Connection Science, 28(4), 346-383.

Ultra-rapid visual search in natural images using active deep learning

Sun, 10 Jul 2022 00:00:00 +0000

This work extends to natural scenes a previous work on visual search on a simplified task formulated in
Emmanuel Daucé, Pierre Albigès, Laurent U Perrinet (2020). A dual foveal-peripheral visual processing model implements efficient saccade selection. Journal of Vision.
Cite DOI Pdf Code URL bioRxiv
follows
Jean-Nicolas Jérémie, Emmanuel Daucé, Laurent U Perrinet (2022). Ultra-rapid visual search in natural images using active deep learning. Proceedings of AREADNE.
PDF Cite Venue
It is based on a first work on transfer learning and its application to a natural task :
Jean-Nicolas Jérémie, Laurent U Perrinet (2023). Ultra-Fast Image Categorization in biology and in neural models. Vision.
Cite DOI arXiv
in particular, we found retinotopic mapping to be adapted to that extension :
Jean-Nicolas Jérémie, Emmanuel Daucé, Laurent U Perrinet (2022). Retinotopic mapping improves the reliability of image classification. NeuroVision Workshop in conjunction with CVPR 2022.
PDF Cite URL

A resilient neural code in V1 to process natural images

Wed, 29 Jun 2022 00:00:00 +0000

for a follow-up, check out
Hugo Ladret, Laurent U Perrinet (2022). Recurrent cortical connectivity in the primary visual cortex supports robust encoding of natural sensory inputs. Proceedings of the FENS Forum 2022.
Cite URL
This poster is presented in the following paper (published in Nature Comm Biology):
Hugo Ladret, Nelson Cortes, Lamyae Ikan, Frédéric Chavane, Christian Casanova, Laurent U Perrinet (2023). Cortical recurrence supports resilience to sensory variance in the primary visual cortex. Nature Communications Biology.
PDF Cite DOI Dataset Code URL bioRxiv HAL

Retinotopic mapping improves the reliability of image classification

Sun, 19 Jun 2022 09:00:00 +0000

Follows a previous work
A dual foveal-peripheral visual processing model implements efficient saccade selection
Emmanuel Daucé, Pierre Albigès, Laurent U Perrinet

Cite DOI Pdf Code URL bioRxiv
for a follow-up, check out
Ultra-rapid visual search in natural images using active deep learning
Jean-Nicolas Jérémie, Emmanuel Daucé, Laurent U Perrinet

Cite URL

Revisiting Horizontal Connectivity Rules in V1: From like-to-like towards like-to-All

Sat, 05 Feb 2022 00:00:00 +0000

Check-out this presentation of the paper:

When Cortical Neurons Talk Sideways: Beyond Feedforward Visual Processing

In this seminar we will challenge the traditional understanding of neuronal connectivity in primary visual cortex. While current theory suggests that neurons connect preferentially to others with similar orientation preferences, I will present evidence for a more complex connectivity pattern based on a distance-dependent rule: short-range connections show a like-to-like bias, while long-range connections connect more widely. This revised model better explains how the visual cortex processes complex stimuli and accounts for observed variations in neuronal interactions at different scales.

Laurent U Perrinet
2025-02-11 NeuroAI & Machine Learning

Cite Slides URL

Anticipatory Responses along Motion Trajectories in Awake Monkey Area V1

Wed, 01 Jan 2020 00:00:00 +0000

A dynamic model for decoding direction and orientation in macaque primary visual cortex

Mon, 23 Sep 2019 00:00:00 +0000

Suppressive waves disambiguate the representation of long-range apparent motion in awake monkey V1

Mon, 18 Mar 2019 00:00:00 +0000

Biologically-inspired characterization of sparseness in natural images

Sat, 01 Oct 2016 00:00:00 +0000

Testing the odds of inherent vs. observed overdispersion in neural spike counts

Fri, 22 Jan 2016 00:00:00 +0000

On overdispersion in neuronal evoked activity

Thu, 01 Jan 2015 00:00:00 +0000

see a follow-up in this publication

Motion-based prediction explains the role of tracking in motion extrapolation

Fri, 01 Nov 2013 00:00:00 +0000

Based on
Laurent U Perrinet, Guillaume S Masson (2012). Motion-based prediction is sufficient to solve the aperture problem. Neural Computation.
PDF Cite Pdf arXiv Doi
see follow-up on the flash-lag effect:
Mina A Khoei, Guillaume S Masson, Laurent U Perrinet (2017). The flash-lag effect as a motion-based predictive shift. PLoS Computational Biology.
Cite Slides DOI Press Code URL HAL
Based on Perrinet et al, 2012
See a followup in Khoei et al, 2017

Figure 1: The problem of fragmented trajectories and motion extrapolation. As an object moves in visual space (as represented here for commodity by the red trajectory of a tennis ball in a space–time diagram with a one-dimensional space on the vertical axis), the sensory flux may be interrupted by a sudden and transient blank (as denoted by the vertical, gray area and the dashed trajectory). How can the instantaneous position of the dot be estimated at the time of reappearance? This mechanism is the basis of motion extrapolation and is rooted on the prior knowledge on the coherency of trajectories in natural images. We show below the typical eye velocity profile that is observed during Smooth Pursuit Eye Movements (SPEM) as a prototypical sensory response. It consists of three phases: first, a convergence of the eye velocity toward the physical speed, second, a drop of velocity during the blank and finally, a sudden catch-up of speed at reappearance (Becker and Fuchs, 1985).

Anisotropic connectivity implements motion-based prediction in a spiking neural network

Tue, 17 Sep 2013 00:00:00 +0000

Based on
Laurent U Perrinet, Guillaume S Masson (2012). Motion-based prediction is sufficient to solve the aperture problem. Neural Computation.
PDF Cite Pdf arXiv Doi
see follow-up on motion extrapolation:
Mina A Khoei, Guillaume S Masson, Laurent U Perrinet (2013). Motion-based prediction explains the role of tracking in motion extrapolation. Journal of Physiology-Paris.
PDF Cite DOI URL
see follow-up on the flash-lag effect:
Mina A Khoei, Guillaume S Masson, Laurent U Perrinet (2017). The flash-lag effect as a motion-based predictive shift. PLoS Computational Biology.
Cite Slides DOI Press Code URL HAL

lication/khoei-13-jpp" view=“4” >}}

Phase space analysis of networks based on biologically realistic parameters

Wed, 10 Nov 2010 00:00:00 +0000

see follow-up :
Nicole Voges, Laurent U Perrinet (2012). Complex dynamics in recurrent cortical networks based on spatially realistic connectivities. Frontiers in Computational Neuroscience.
PDF Cite DOI URL

Computational Neuroscience, from Multiple Levels to Multi-level

Fri, 01 Jan 2010 00:00:00 +0000

NeuralEnsemble: Towards a meta-environment for network modeling and data analysis

Thu, 01 Jan 2009 00:00:00 +0000

see a follow-up:
Andrew P Davison, Daniel Bruderle, Jochen Eppler, Jens Kremkow, Eilif Muller, Dejan Pecevski, Laurent U Perrinet, Pierre Yger (2008). PyNN: A Common Interface for Neuronal Network Simulators. Frontiers in Neuroinformatics.
PDF Cite Project DOI URL HAL

Control of the temporal interplay between excitation and inhibition by the statistics of visual input: a V1 network modelling study

Tue, 01 Jan 2008 00:00:00 +0000

see this subsequent paper in the Journal of Computational Neuroscience

Sparse Approximation of Images Inspired from the Functional Architecture of the Primary Visual Areas

Mon, 01 Jan 2007 00:00:00 +0000

relies on log-Gabor filters:
Sylvain Fischer, Filip Šroubek, Laurent U Perrinet, Rafael Redondo, Gabriel Cristóbal (2007). Self-Invertible 2D Log-Gabor Wavelets. International Journal of Computer Vision.
PDF Cite DOI Code URL

Schematic structure of the primary visual cortex implemented in the present study. Simple cortical cells are modeled through log-Gabor functions. They are organized in pairs in quadrature of phase (dark-gray circles). For each position the set of different orientations compose a pinwheel (large light-gray circles). The retinotopic organization induces that adjacent spatial positions are arranged in adjacent pinwheels. Inhibition interactions occur towards the closest adjacent positions which are in the direc-tions perpendicular to the cell preferred orientation and toward adjacent orientations (light-red connections). Facilitation occurs to-wards co-aligned cells up to a larger distance (dark-blue connections).

Dynamical contrast gain control mechanisms in a layer 2/3 model of the primary visual cortex

Sun, 01 Jan 2006 00:00:00 +0000

Sparse Gabor wavelets by local operations

Wed, 29 Jun 2005 00:00:00 +0000

relies on log-Gabor filters:
Sylvain Fischer, Filip Šroubek, Laurent U Perrinet, Rafael Redondo, Gabriel Cristóbal (2007). Self-Invertible 2D Log-Gabor Wavelets. International Journal of Computer Vision.
PDF Cite DOI Code URL

Schematic structure of the primary visual cortex implemented in the present study. Simple cortical cells are modeled through log-Gabor functions. They are organized in pairs in quadrature of phase (dark-gray circles). For each position the set of different orientations compose a pinwheel (large light-gray circles). The retinotopic organization induces that adjacent spatial positions are arranged in adjacent pinwheels. Inhibition interactions occur towards the closest adjacent positions which are in the direc-tions perpendicular to the cell preferred orientation and toward adjacent orientations (light-red connections). Facilitation occurs to-wards co-aligned cells up to a larger distance (dark-blue connections).

Dynamics of motion representation in short-latency ocular following: A two-pathways Bayesian model

Sat, 01 Jan 2005 00:00:00 +0000

Efficient representation of natural images using local cooperation

Sat, 01 Jan 2005 00:00:00 +0000

relies on log-Gabor filters:
Sylvain Fischer, Filip Šroubek, Laurent U Perrinet, Rafael Redondo, Gabriel Cristóbal (2007). Self-Invertible 2D Log-Gabor Wavelets. International Journal of Computer Vision.
PDF Cite DOI Code URL

Schematic structure of the primary visual cortex implemented in the present study. Simple cortical cells are modeled through log-Gabor functions. They are organized in pairs in quadrature of phase (dark-gray circles). For each position the set of different orientations compose a pinwheel (large light-gray circles). The retinotopic organization induces that adjacent spatial positions are arranged in adjacent pinwheels. Inhibition interactions occur towards the closest adjacent positions which are in the direc-tions perpendicular to the cell preferred orientation and toward adjacent orientations (light-red connections). Facilitation occurs to-wards co-aligned cells up to a larger distance (dark-blue connections).

Feature detection using spikes : the greedy approach

Thu, 01 Jul 2004 00:00:00 +0000