Computational Neuroscience | Laurent Perrinet

Publications

Mon, 14 Sep 2026 00:00:00 +0000

Working Memory in Recurrent Spiking Neural Networks With Heterogeneous Synaptic Delays

Mon, 14 Sep 2026 00:00:00 +0000

The code and results at the time of the submission of this camera-ready paper is accessible in this commit
see a related presentation:
Laurent U Perrinet (2026). Working Memory in Recurrent Spiking Neural Networks Using Heterogeneous Synaptic Delays. Seminar at CerCo.
Cite Slides URL
A follow-up paper:
Laurent U Perrinet (2026). Working Memory with Polychronous Chains. arXiv preprint arXiv:2604.14096.
Cite URL Preprint Code

Talks & Courses

Thu, 16 Apr 2026 00:00:00 +0000

Working Memory in Recurrent Spiking Neural Networks Using Heterogeneous Synaptic Delays

Thu, 16 Apr 2026 00:00:00 +0000

Invited seminar at CerCo, Toulouse, France, 2026-04-16
See the accompanying code: https://github.com/laurentperrinet/MNESIS
The code and results at the time of the presentation is accessible in this commit
A follow-up paper:
Laurent U Perrinet (2026). Working Memory with Polychronous Chains. arXiv preprint arXiv:2604.14096.
Cite URL Preprint Code

Learning Working Memory in Recurrent Spiking Neural Networks Using Heterogeneous Delays

Wed, 15 Apr 2026 00:00:00 +0000

See the accompanying code: https://github.com/laurentperrinet/MNESIS
The code and results at the time of the presentation is accessible in this commit
see a follow-up:
Laurent U Perrinet (2026). Working Memory in Recurrent Spiking Neural Networks Using Heterogeneous Synaptic Delays. Seminar at CerCo.
Cite Slides URL
A follow-up paper:
Laurent U Perrinet (2026). Working Memory with Polychronous Chains. arXiv preprint arXiv:2604.14096.
Cite URL Preprint Code

Dans l’intelligence du regard : l’art révèle la diversité de notre vision

Sat, 11 Apr 2026 00:00:00 +0000

Cette présentation (dans le cadre du Forum des Sciences Cognitives) explore la collaboration avec Étienne Rey, notamment le travail exposé lors de l’exposition La vibration des apparences, qui a eu lieu au musée Granet :

Étienne Rey, Laurent U Perrinet (2024). La vibration des apparences.

Project Code

La vision reste un paradoxe : comment un processus aussi complexe qu’apprendre à « faire sens de nos sens » peut-il être si simple à acquérir et à utiliser ? Pas besoin de mode d’emploi pour le nouveau-né qui ouvre les yeux pour la première fois. La démarche scientifique permet de percer certains aspects de ce mystère, notamment en révélant les failles de notre perception. Nous explorerons ensemble cette frontière entre art et sciences cognitives à travers un parcours allant des illusions visuelles jusqu’à l’art contemporain. Grâce à ma collaboration avec l’artiste plasticien Étienne Rey, je montrerai comment ces créations deviennent des outils pour décrypter certains mécanismes cachés de la vision, à l’heure où l’IA interroge notre rapport au réel.

Plus d’infos :

Étienne Rey, Variations © ADAGP, Paris, 2024. Crédit image : Étienne Rey

Plus de liens :

Spiking neural nets

Tue, 24 Mar 2026 00:00:00 +0000

This repository contains all the material for this practical course about the “Introduction to SNN torch”.

material for the course: https://amubox.univ-amu.fr/s/PyGP2mrT47E6jj2 / https://github.com/CONECT-INT/2026-03_PhDProgram-course-in-computational-neuroscience/
Where ? Timone campus, Bâtiment pédagogique (Yellowish-greenish building), room 204
When ? 9:00 to 12:00

Artificial neural networks and machine learning applied to the understanding of biological vision

Thu, 05 Mar 2026 00:00:00 +0000

Practical work: https://github.com/laurentperrinet/2026-03_UE-neurosciences-computationnelles/

📖 See the full publication:

Laurent U Perrinet (2026). Working Memory with Polychronous Chains. arXiv preprint arXiv:2604.14096.

Cite URL Preprint Code

Foveated Retinotopy Improves Classification and Localization in CNNs

Mon, 23 Feb 2026 00:00:00 +0000

Foveated Retinotopy in CNNs. We represent Left an input image and how it is transformed by foveated retinotopy. We show below a representative reconstruction showing that it also acts as a cortical zoom on the image around the point of fixation. The transformed image is then fed to the ResNet deep learning architecture.

From falcons spotting prey to humans recognizing faces, the ability to rapidly process visual information depends on a foveated retinal organization that provides high-acuity central vision while preserving low-resolution peripheral vision. This organization is conserved along early visual pathways, yet remains under-explored in machine learning. Here, we examine the impact of embedding a foveated retinotopic transformation as a preprocessing layer on convolutional neural networks (CNNs) for image classification. By applying a log-polar mapping to off-the-shelf models and retraining them, we achieve comparable accuracy while improving robustness to scale and rotation. We demonstrate that this architecture is highly sensitive to shifts in the fixation point and that this sensitivity provides an effective proxy for defining saliency maps that facilitate object localization. Our results demonstrate that foveated retinotopy encodes prior geometric knowledge, providing a solution for visual searches and a meaningful classification robustness and localization trade-off. These findings provides a proof of concept in order to connect principles of biological vision with artificial networks, suggesting new, robust and efficient approaches for computer vision systems.

Foveated Retinotopy simulated by a log-polar map. We represent Left an input image with some geometrical objects and how it is transformed by the log-polar representation that implements foveated retinotopy. This shows that a rotation amounts to a translation on the polar axis (abscissa) and a zoom to a translation on the ordinates. We show right a representative reconstructionshowing that it also acts as a cortical zoom on the image around the point of fixation.

Recréer des réseaux neuronaux pour améliorer la compréhension de notre cerveau

Tue, 10 Feb 2026 00:00:00 +0000

Rendez-vous ce mardi 10 février 2026 / 9h-10h30 pour plonger dans le monde fascinant des neurosciences.

Lien de connexion :

Webinaire Biome+ [BIOMIMÉTISME & NEUROSCIENCES] | Réunion-Joindre | Microsoft Teams

[BIOMIMÉTISME & NEUROSCIENCES] Recréer des réseaux neuronaux pour améliorer la compréhension de notre cerveau.

Laurent Perrinet, chercheur à l’Institut des Neurosciences de la Timone (CNRS - Aix-Marseille Université)

Comment, entre deux battements de paupières, notre cerveau perçoit, traite et réagit aux informations de son environnement ?

Pour répondre à cette interrogation, à première vue vertigineuse, Laurent Perrinet récréé des réseaux de neurones à grandes échelles en mobilisant des outils de l’intelligence artificielle. Il viendra nous présenter ses travaux et leurs potentielles applications dans ce webinaire Biome+.

Neurosciences and sparsity

Thu, 29 Jan 2026 00:00:00 +0000

A saccade-inspired approach to image classification using vision transformer attention maps

Thu, 01 Jan 2026 00:00:00 +0000

Saccade selection method: (a.) The input image of dimensionH× Wis split intoH16×Wnsized patches and embeddedinto token vectors. (b.) The tokens are passed through the DINO transformer, and attention flow from patch tokens to [CLS]token (white arrows) are extracted and reshaped into one attention map per attention-head. (c.) The multiple attention maps arefused into one by taking the maximum value across heads. (d.) The highest-attention locations define square regions(“saccades”) whose tokens are retained. (e.) Selected regions are revealed sequentially, and the image variants are classified by a pre-trained linear head.

Lab Tour for Art - Perception Collaboration

Thu, 01 Jan 2026 00:00:00 +0000

👁️ Very glad to present our Art/Perception collaboration with Etienne Rey today!

🔗 https://laurentperrinet.github.io/talk/2026-01-19-art-and-science

This session is part of the France: perception en Provence: French art and science course from the Rhode Island School of Design, organized by Catherine Huang with Nick Tolley.

What happens today:

We will discuss with Etienne about the emergence of our collaboration
To discover the fantastic world of neuroAI, I will give a * scientific talk* about computational neuroscience and neuroAI - in line with:
Laurent U Perrinet (2025). A New Look for Convolutional Deep Networks. Montreal AI and Neuroscience conference, Dec 11-13th, 2025.
Cite MAIN Slides YouTube

Laurent U Perrinet (2025). La vibration des apparences. Journées d’Ouverture Scientifique (JOS).
Cite Project Slides URL
We will see and discuss some actual works that emerged from that collaboration and notably this art exhibit:

Étienne Rey, Laurent U Perrinet (2024). La vibration des apparences.

Project Code

#DeepLearning #ComputerVision #AI #Research #NeuralNetworks #NeuroAI #OpenScience #artScience

The work of Etienne Rey links natural and physical phenomena with our perception. His works reveal themselves and become concrete in the personal experience of viewers. Light, the central element of his approach, activates these experiences, revealing the interactions between the material and the immaterial.

Since 2011, Etienne Rey has been collaborating with Dr. Laurent Perrinet of the Timone Institute of Neuroscience. Together, they explore the domain of perception at the intersection of their respective disciplines, combining science and art to develop new perceptual approaches. Selected works: Tropiques (2013) & Space Odyssey (2015‑2024), Trame Eslasticité 2016, Turbulences 2018, Instabilités et Delaunay (2019), La vibration des apparences (2025), Azur (2028).

Physiological state Monitoring: a Riemannian Geometry based-model

Thu, 01 Jan 2026 00:00:00 +0000

Population decoding of visual motion direction

Thu, 01 Jan 2026 00:00:00 +0000

🧠 Excited to share our latest research led by Alexandre Lainé and presented this summer at AREADNE 2026!

“Population decoding of visual motion direction”

Our work explores how populations of neurons in the primary visual cortex (V1) of marmoset monkeys encode visual motion direction, with a particular focus on understanding how uncertainty influences this neural decoding process. Key highlights:

Advanced population-level analysis of V1 neural responses to motion stimuli
Novel insights into how the brain handles uncertainty in visual motion processing
Marmoset model providing crucial translational insights for visual neuroscience

This research contributes to our fundamental understanding of how the visual system processes motion information at the earliest stages of cortical processing, with important implications for both basic neuroscience and potential clinical applications. Thank you to the AREADNE organizing committee for hosting such an inspiring conference!

Link to publication: https://laurentperrinet.github.io/publication/laine-26-areadne/

For deeper insights into uncertainty processing mechanisms in the visual cortex, see our Nature Communications Biology study:
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

Working Memory with Polychronous Chains

Thu, 01 Jan 2026 00:00:00 +0000

See the accompanying code: https://github.com/laurentperrinet/MNESIS
see a related presentation:
Laurent U Perrinet (2026). Working Memory in Recurrent Spiking Neural Networks Using Heterogeneous Synaptic Delays. Seminar at CerCo.
Cite Slides URL
This paper is a follow-up of the ICANN conference paper:
Laurent U Perrinet (2026). Working Memory in Recurrent Spiking Neural Networks With Heterogeneous Synaptic Delays. 35th International Conference on Artificial Neural Networks (ICANN 2026)- Special Session on Recent Advances in Spiking Neural Networks.
Cite DOI URL

Detection of spiking motifs of arbitrary length in neural activity using bounded synaptic delays

Sat, 01 Nov 2025 00:00:00 +0000

Foveal Retinotopy and Dual Pathways: A Computational Model for Active Visual Search

Fri, 10 Oct 2025 00:00:00 +0000

Abstract

This thesis investigates visual search through the lens of the dual visual pathways found in biological systems : the ventral (“what”) pathway, involved in object recognition, and the dorsal (“where”) pathway, responsible for spatial localisation and saccadic planning. Drawing from both neuroscience and computer vision, we propose a computational framework that integrates deep convolutional neural networks (DCNNs) within a biologically inspired architecture grounded in foveal retinotopy. As a proof of concept, prior work has demonstrated that incorporating saccadic planning improves digit categorisation performance in a controlled environment. Building upon this foundation, the primary objective of this thesis is to extend the computational framework to natural images in more ecologically valid settings. Our contributions are as follows : (1) We introduce a novel framework for training and evaluating DCNNs using semantically grounded, task-specific labels ; (2) We bridge the gap between artificial models and biological substrates by emphasizing the role of foveal retinotopy in robust object categorisation and precise localisation ; (3) We disentangle the interplay between categorisation and localisation by proposing a novel “localisation-frame” dataset, aimed at guiding the design of a biologically plausible dorsal stream model ; and (4) We present an initial model of the dorsal pathway, leveraging the new dataset to develop interpretable and efficient active vision systems—where interpretability is achieved through modular and spatially structured representations, and efficiency is reflected in reduced computational cost during inference with saccade planning. Overall, this thesis extends the dual-stream computational paradigm for visual search, contributes tools for explainable active vision, and offers a platform to explore hypotheses about functional specialisation in the human visual cortex.

Keywords

Visual search, Dual visual pathways, Deep Convolutional Neuronal, Network, Foveal retinotopy, Active vision

Résumé

Cette thèse étudie la recherche visuelle à travers le prisme des deux voies visuelles identifiées dans les systèmes biologiques : la voie ventrale, impliquée dans la reconnaissance des objets, et la voie dorsale, responsable de la localisation spatiale et de la planification des saccades. S’inspirant à la fois des neurosciences et de la vision artificielle, nous proposons un cadre computationnel intégrant des réseaux neuronal convolutifs profonds (DCNN) dans une architecture biologiquement plausible, fondée sur la rétinotopie fovéale. Des travaux antérieurs ont démontré que l’intégration de la planification des saccades améliorait les performances de catégorisation de chiffres dans un environnement contrôlé. S’appuyant sur cette base, l’objectif principal de cette thèse est d’étendre ce cadre théorique à des images naturelles dans des contextes plus écologiquement valides. Nos contributions sont les suivantes : (1) Nous proposons un nouveau cadre de travail pour l’entraînement et l’évaluation des DCNN, basé sur la sémantique sous-jacente aux labels initialement définis dans la communauté de la recherche computationnelle, ce qui permet de définir des tâches écologiques spécifiques ; (2) nous rapprochons les modèles artificiels des substrats biologiques en soulignant le rôle crucial de la retinotopie fovéales pour une catégorisation robuste et une localisation précise. (3) Nous approfondissons la connaissance de l’interaction entre la catégorisation et la localisation en proposant un ensemble de résultats structuré autour de cette relation, afin de guider la conception d’un modèle plausible de la voie dorsale ; (4) Enfin, en nous appuyant sur ces résultats, nous proposons une première modélisation de la voie dorsale visant à développer des systèmes de vision active à la fois interprétables, grâce à des représentations modulables et spatialement structurées, et efficaces, grâce à la planification de saccades permettant de réduire les coûts de calcul liés à l’inférence. Dans l’ensemble, cette thèse apporte plusieurs éléments : elle enrichit le modèle de vision artificielle des deux voies majeures impliquées dans la recherche visuelle, elle permet de développer des outils de vision active interprétables et elle fournit un cadre pour étudier les hypothèses biologiques relatives à la spécialisation fonctionnelle des aires cérébrales dédiées à la vision chez l’être humain.

Mots-clés

Recherche visuelle, Voie visuel ventrale, Voie visuel dorsale, Réseau neuronal convolutifs profonds, Rétinotopie fovéale, Vision active

Jean-Nicolas Jérémie (2025). Soutenance de Jean-Nicolas Jérémie "Foveal Retinotopy and Dual Pathways: A Computational Model for Active Visual Search".

DynTex: A Real-Time Generative Model of Dynamic Naturalistic Luminance Textures

Mon, 01 Sep 2025 00:00:00 +0000

🚀 Excited to share our new paper:

“DynTex: A real-time generative model of dynamic naturalistic luminance textures”

…now published in Journal of Vision!

🔹 Why it matters: Dynamic textures (e.g., fire, water, foliage) are everywhere, but modeling them in real-time has been a challenge. DynTex bridges this gap with a biologically inspired, efficient approach.

🔹 Key innovation: A generative model that captures the spatiotemporal statistics of natural scenes while running in real-time.

🔹 Applications: Computer vision, neuroscience, VR/AR, and more.📖

Read it here: https://doi.org/10.1167/jov.25.11.2

More on: https://laurentperrinet.github.io/publication/meso-25/

#DynamicTextures #ComputationalNeuroscience #ComputerVision #GenerativeModels #OpenScience

linkedin, mastodon, bluesky
The Motion Clouds stimuli were originally presented in the following paper (page links to other sresources)
Paula Sanz Leon, Ivo Vanzetta, Guillaume S Masson, Laurent U Perrinet (2012). Motion Clouds: Model-based stimulus synthesis of natural-like random textures for the study of motion perception. Journal of Neurophysiology.
PDF Cite DOI HAL URL arXiv Supp
examples of use: https://laurentperrinet.github.io/sciblog/categories/motionclouds.html

A Predictive Approach to Enhance Time-Series Forecasting

Fri, 29 Aug 2025 00:00:00 +0000

The lead author, Jason Eshragian, speaks most clearly about it:

For the amount of compute they burn, transformers are pretty bad at time-series data analysis. Which is pretty unsurprising if your objective is to predict the next token, one step at a time.

Brains, on the other hand, are predictive machines. Think of your daily commute to work. On Day 1, your brain was probably in overdrive to make sure you’re not late, taking in all of your environment. On Day 1000, you’re on full autopilot, barely burning mental energy unless something unexpected - like a major accident - forces you to adjust.

That’s predictive coding in action: the brain continuously compares its expectations (no traffic) to reality (flipped car damn), then updates only when surprised.

Skye Gunasekaran has spent the past couple of years integrating this principle into Future-Guided Learning, where a “future” model guides a “past” forecasting model, dynamically minimizing surprise when reality deviates from predictions.

In our preprint, we show how drawing upon neuroscience-inspired ideas actually helps in time-series forecasting with deep learning. Efficiency isn’t the only win from the brain; it’s also pretty damn good at organizing long-range time-series information.

https://www.linkedin.com/feed/update/urn:li:activity:7378797683425296385/ https://bsky.app/profile/laurentperrinet.bsky.social/post/3m26xgwaisc2t https://neuromatch.social/@laurentperrinet/115303186807684381

Conférence immersive : La vision, réalité ou perception ?

Thu, 12 Jun 2025 00:00:00 +0000

https://explore.univ-amu.fr/programme
Quoi: Conférence immersive
Quand: Jeudi 12 juin 2025 - 16h - 17h
Où: CRVM - Centre de réalité virtuelle de la Méditerranée (UMR 6233 CNRS & Université de la Méditerranée Faculté des Sciences du Sport, Avenue de Luminy, 13288 Marseille)

Ciné-Sciences : Ouvrez grand les yeux

Tue, 10 Jun 2025 00:00:00 +0000

Dans le cadre de la deuxième édition du Festival EXPLORE, l’association Polly Maggoo vous propose de découvrir trois projections gratuites de courts métrages autour de thématiques de recherche de scientifiques, en leur présence.

Programme: https://pollymaggoo.org/festival-explore-2025/
Le mardi 10 juin à 19h au cinéma Pathé Madeleine : 36 Avenue du Maréchal Foch, 13004 Marseille, France
En présence de Laurent Perrinet, chercheur à l’Institut de Neurosciences de la Timone (INT). Spécialiste de la vision, IA, biomimétisme et biorobotique.

Titre	Réalisateur	Pays	Année	Genre	Durée	Production	Distribution
BLINKITY BLANK	Norman McLaren	Canada	1955	Animation	5'15	Office National du film du Canada	Agence du court métrage
	Court métrage expérimental explorant les possibilités de l’animation par intermittence et des images spasmodiques. Norman McLaren joue avec les lois de la persistance rétinienne dans une œuvre de pure imagination faisant penser tantôt à un feu d’artifice très nourri, puis ensuite à un dessin lent à se former et dont on ne perçoit que des touches rapides et éphémères.
TO SEE	Tony Hill	Royaume-Uni	1982	Expérimental	12'10	Tony Hill	Light Cone
	Le film ouvre les yeux, cligne des paupières, et voit, regarde tout autour de lui dans une vision panoramique. Les formes, les lignes, les espaces, ne sont pas fixes, mais fluctuent avec le mouvement de la caméra. La vision sphérique redéfinit la géométrie, et crée une apparence presque quadri-dimensionnelle, qui donne l’impression, en définitive, de retourner l’espace sur lui-même.
CARLOTTA’S FACE	Valentin Riedl & Frédéric Schuld	Allemagne	2018	Expérimental	5'	Fabian&Fred	Agence du court métrage
	Quand Carlotta se regarde dans le miroir, elle ne parvient pas à reconnaître l’image qui lui est renvoyée. Aveugle à son propre visage, la fillette traverse une enfance chaotique. Des années plus tard, atteinte d’une rare maladie neurologique, Carlotta découvrira son visage par la voie de l’art. En se dessinant elle-même, elle parviendra enfin à se reconnaître.
WHEN TIME MOVES FASTER	Anna Vasof	Autriche	2016	Animation	6'32	Anna Vasof	Agence du court métrage
	Partagez notre plaisir : découvrez ces illusions qui ne sont rendues possibles qu’au moyen du cinéma !
LIGHT LEAK	Nate Dorr	États-Unis	2021	Animation fiction expérimental	8'20	Nate Dorr	Nate Dorr
	La lumière est une information, un signal plus fort que le souvenir. S’il y a quelqu’un pour recevoir le message. Seul dans un appartement scellé jusqu’à ce que le temps perde son sens, le monde extérieur irréel ou inaccessible, les illuminations archaïques rampant sur les murs, les connexions s’effilochant. Que se passe-t-il ici ? Un film-essai de science-fiction, ou son inverse. Un film de rupture sur l’optique, la mémoire, les données. Les fins et ce qui y survit ou non.
TONDO	Jérémie Van Quynh	France	2015	Expérimental	3'58	Jérémie Van Quynh	Jérémie Van Quynh
	Composé à partir de prises de vues réelles, Tondo se veut une expérience visuelle et sonore où chaque spectateur se laisse emporter, au gré des paréidolies, dans un voyage hypnotique. Le détournement de sons du quotidien travaille à une expérience synesthétique pour favoriser le surgissement d’images mentales.
LIGHT MATTER	Virgil Widrich	Autriche	2018	Expérimental	5'	Virgil Widrich	Sixpackfilm
	Cinq minutes de pure irritation de la rétine de l’œil humain. Tout commence par de faibles éclairs de lumière qui s’intensifient lentement en un staccato d’obscurité et de lumière, avec des contrastes extrêmes. En stimulant les photorécepteurs de l’œil, les impulsions se dirigent vers le cerveau, créant une illusion de couleur où il n’y a rien d’autre qu’un enfer de noir et blanc. Virgil Widrich fait référence à un phénomène décrit pour la première fois par deux scientifiques au XIXe siècle. L’effet est perçu différemment par chaque spectateur. Vous apercevrez peut-être des couleurs lointaines dans les profondeurs du stroboscope, ou vous vous souviendrez peut-être de l’esthétique du jeu des années 1980 avec des visuels clignotant en rouge et vert.
LE SYSTÈME MIROIR	Eva Zornio	Suisse	2015	Documentaire fiction	17'16	Elefantfilms	Elefantfilms
	Des images s’échappent d’un rêve. Une étrange forêt de neurones où la jeune réalisatrice se perd chaque nuit. Un rêve qui rapproche cinéma et cerveau, souvenirs et expériences scientifiques. Elle cherche à comprendre le lien qui se tisse entre neurosciences et films. Un voyage poétique au cœur du système miroir, le mécanisme par lequel nous ressentons ou non de l’empathie pour autrui, qu’il soit réel ou sur un écran.
CAPRICE EN COULEURS	Norman McLaren & Evelyn Lambart	Canada	1949	Animation	7'48	Office National du film du Canada	Agence du court métrage
	Caprice en couleurs (Begone Dull Care) est un film abstrait d’animation canadien des réalisateurs Norman McLaren et Evelyn Lambart sorti en 1949. Utilisant la technique du film direct, McLaren et Lambart peignirent et grattèrent directement sur la pellicule 35 mm pour créer une musique visuelle à l’aide de la trame sonore extraite du répertoire du jazzman canadien Oscar Peterson. Le film est produit par l’Office national du film du Canada. En 2005, il est désigné comme une « Œuvre magistrale » par le Trust pour la préservation de l’audiovisuel du Canada.

Artificial neural networks and machine learning applied to the understanding of biological vision

Mon, 26 May 2025 14:00:00 +0000

Master M4NC de l’institut NeuroMod, cours Prospective Innovation and Research.

La vibration des apparences

Fri, 18 Apr 2025 00:00:00 +0000

Cette présentation, dans le cadre des Journées d’Ouverture Scientifique (JOS), explore le travail présenté lors de l’exposition La vibration des apparences, au musée Granet :

Étienne Rey, Laurent U Perrinet (2024). La vibration des apparences.

Project Code

Version anglaise de cette présentation :

Laurent U Perrinet, Étienne Rey (2026). Lab Tour for Art - Perception Collaboration. Lab Tour for Art - Perception Course, January 19th, 2026.

Cite URL

Le titre de l’exposition fait écho au texte Le Doute de Cézanne de Merleau-Ponty, qui montre comment, dans la vie quotidienne, nous tendons à ignorer les apparences transitoires pour accéder directement aux objets eux-mêmes. À l’opposé, le peintre se concentre sur cette dynamique de mutation des apparences. Merleau-Ponty écrit au sujet de Cézanne : « Le peintre reprend et convertit justement en objet visible ce qui, sans lui, reste enfermé dans la vie séparée de chaque conscience : la vibration des apparences qui est le berceau des choses. »

L’exposition s’inscrit dans le prolongement de cette pensée, en illustrant la vibration des apparences à travers le concept d’interférence. Ce phénomène physique, dans lequel deux ondes de même nature en superposition se renforcent ou s’annulent, inspire Étienne Rey dans l’élaboration d’un parallèle visuel. Il reprend, décale et transpose des motifs dont émergent des « interférences optiques » et des « ondes chromatiques ».

Étienne Rey, Variations © ADAGP, Paris 2024. Crédit image : Étienne Rey

Voir aussi

La page de l’exposition :
Étienne Rey, Laurent U Perrinet (2024). La vibration des apparences.
Project Code
La version anglaise de cette présentation :
Laurent U Perrinet, Étienne Rey (2026). Lab Tour for Art - Perception Collaboration. Lab Tour for Art - Perception Course, January 19th, 2026.
Cite URL
Une intervention connexe :
Laurent U Perrinet (2026). Dans l’intelligence du regard : l’art révèle la diversité de notre vision. Forum des Sciences Cognitives 2026.
Cite Project Slides URL
Le projet associé : Art & science
Le profil d’Étienne Rey et celui de Laurent Perrinet

Robust Unsupervised Learning of Spike Patterns with Optimal Transport Theory

Fri, 28 Mar 2025 00:00:00 +0000

NeuroSchool PhD Program in Neuroscience: Sparse representations

Tue, 11 Mar 2025 00:00:00 +0000

Classification of Mental Workload Spatial Effects using Riemannian Manifold

Wed, 01 Jan 2025 00:00:00 +0000

This year at #CCN2025 we will be showcasing our research on the classification of Mental Workload 🥵 Spatial Effects using Riemannian Manifold.

📅 When: Wednesday, August 13, 1:00 – 4:00 pm 📍 Where: CCN 2025 Conference Venue, de Brug & E-Hall 📋 What: Poster B152

It leverages advanced mathematical techniques to better understand and classify mental workloads, offering new insights into cognitive processes and potential applications in various fields such as neuroscience, psychology, and human-computer interaction.
By utilizing Riemannian geometry, this research provides a robust framework for analyzing spatial effects in mental workload, paving the way for more accurate and efficient classification methods. This contribution not only advances our theoretical understanding but also has practical implications for improving mental workload assessment and management.

See you there! 🚀

https://laurentperrinet.github.io/publication/choplin-25-ccn/

👏 CNRS @cnrs@social.numerique.gouv.fr - Aix-Marseille University - ONERA, The French Aerospace Lab CNRS

#CCN2025 #Mental #Workload #MentalWorkload #Riemannian #Manifold

Links:

Population decoding of visual motion direction in V1 marmoset monkey : effects of uncertainty

Wed, 01 Jan 2025 00:00:00 +0000

🧠 Excited to share our latest research led by Alexandre Lainé and presented this summer at CNS2025 in beautiful Firenze, Italy!

“Population decoding of visual motion direction in V1 marmoset monkey: effects of uncertainty”

Advanced population-level analysis of V1 neural responses to motion stimuli
Novel insights into how the brain handles uncertainty in visual motion processing
Marmoset model providing crucial translational insights for visual neuroscience

This research contributes to our fundamental understanding of how the visual system processes motion information at the earliest stages of cortical processing, with important implications for both basic neuroscience and potential clinical applications. Thank you to the CNS organizing committee for hosting such an inspiring conference in the stunning venue of Palazzo dei Congressi in Villa Vittoria! 🇮🇹

#ComputationalNeuroscience #VisualNeuroscience #MotionProcessing #CNS2025 #Neuroscience #Research #MarmosetModel #V1 #PopulationDecoding

Link to publication: https://laurentperrinet.github.io/publication/laine-25-cns/

For deeper insights into uncertainty processing mechanisms in the visual cortex, see our Nature Communications Biology study:
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
see a follow-up in:
Alexandre Lainé, Nicholas J. Priebe, Guillaume S. Masson, Laurent U Perrinet (2026). Population decoding of visual motion direction. Proceedings of AREADNE.
PDF Cite Poster LinkedIn
https://neuromatch.social/@laurentperrinet/115050564011598328
https://www.linkedin.com/posts/laurent-perrinet-1857b9_population-decoding-of-visual-motion-direction-activity-7363238280143745026-zPkg
https://bsky.app/profile/laurentperrinet.bsky.social/post/3lwowjtpbw22a

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

Le mystère de la Joconde éclairé par les neurosciences

Sun, 25 Aug 2024 00:00:00 +0000

sur Radio Canada, par Sonia Lupien : Les neurones de la Joconde : Les neurones de la Joconde (Émission ICI Première • Pénélope - 12 novembre 2024) https://ici.radio-canada.ca/ohdio/premiere/emissions/penelope/segments/rattrapage/1910587/sonia-lupien-neurones-joconde
https://www.cerveauetpsycho.fr/sd/neurobiologie/le-mystere-de-la-joconde-elucide-par-les-neurosciences-26605.php
https://www.facebook.com/photo/?fbid=10233017307913043&set=a.2288497170052
https://neuromatch.social/@laurentperrinet/113027202054980118
https://www.linkedin.com/posts/laurent-perrinet-1857b9_dans-le-dernier-num%C3%A9ro-de-cerveau-psycho-activity-7233740214886625280-Ivbf

Kernel Heterogeneity Improves Sparseness of Natural Images Representations

Tue, 20 Aug 2024 00:00:00 +0000

5 minutes summary: https://hugoladret.github.io/publications/ladret_et_al_sparsecoding/
In a nutshell: We found that sparse coding of images (here extended in a convolutional framework) is improved when using kernels with heterogeneous precision in how they encode orientation information. This was confirmed by learning, but also by comparison with what is observed in the statistics of natural images and in our recordings from neurons in primary visual cortex.

Epistemic uncertainty in a CSC dictionary improves both sparseness and reconstruction performance. (a) Elements from dictionaries with fixed epistemic uncertainty before (green) and after dictionary learning (orange). (b) Elements from a dictionary with heterogeneous epistemic uncertainty before (blue) and after dictionary learning (purple). (c) Elements from a dictionary learned from scratch. (d) Distribution of the sparseness (top) and Peak Signal-to-Noise Ratio (PSNR, right) of the five dictionaries, shown as a scatter plot for each of the 600 images of the dataset (center). Median values are shown as dashed line on the histograms.
open access: https://iopscience.iop.org/article/10.1088/2634-4386/ad5d0f
This work is a followup of
Hugo Ladret, Laurent U Perrinet (2023). Convolutional Sparse Coding is improved by heterogeneous uncertainty modeling. ICLR 2023 SNN Workshop.
PDF Cite URL
This theoretical work accompanies a similar study in neurophysiology:
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

Accurate Detection of Spiking Motifs in Neurobiological Data by Learning Heterogeneous Delays of a Spiking Neural Network

Thu, 27 Jun 2024 00:00:00 +0000

see accompanying papers
for neural data:
Laurent U Perrinet (2023). Accurate Detection of Spiking Motifs by Learning Heterogeneous Delays of a Spiking Neural Network. ICANN Special Session on Recent Advances in Spiking Neural Networks.
PDF Cite Slides DOI Code arXiv
for event-based cameras:
Antoine Grimaldi, Laurent U Perrinet (2023). Learning heterogeneous delays in a layer of spiking neurons for fast motion detection. Biological Cybernetics.
PDF Cite DOI URL Code Supplementary Material

Diverse Neuronal Responses to Visual Precision in Cat Cortical Area 21a: Unraveling the Complexity of Orientation Processing

Thu, 27 Jun 2024 00:00:00 +0000

Retinotopy in CNN's implements Efficient Visual Search

Thu, 27 Jun 2024 00:00:00 +0000

Read the corresponding paper
Jean-Nicolas Jérémie, Emmanuel Daucé, Laurent U Perrinet (2026). Foveated Retinotopy Improves Classification and Localization in CNNs. Vision.
PDF Cite DOI URL arXiv

Self-Supervised Learning of Spiking Motifs in Neurobiological Data

Thu, 27 Jun 2024 00:00:00 +0000

Vision dynamique utilisant la précision temporelle des motifs d'impulsions dans les calculs neuronaux

Thu, 16 May 2024 00:00:00 +0000

Artificial neural networks and machine learning applied to the understanding of biological vision

Mon, 13 May 2024 14:00:00 +0000

Sparse representations

Wed, 17 Apr 2024 14:00:00 +0000

Timeline of the whole course:

April 15th (morning+afternoon): basics on machine learning, practice with notebook using scikit learn (MG)
April 16th (morning+afternoon): deep learning and automated differenciation, practice with notebook using pytorch (MG)
April 17th morning: interpretable machine learning (ET)
April 17th afternoon: sparse representations (LP)

If not done already, please install a (reasonably) recent version of python (easy option is anaconda, see details here: https://etulab.univ-amu.fr/gilson.m/compneuro_course). Importantly, part of the course will rely on pytorch, see instructions for installing a dedicated environment here: https://etulab.univ-amu.fr/gilson.m/compneuro_course/-/tree/main/autodiff (we can do together it the first morning for those who have trouble). The first day (or morning depending on how we go), we will first review basics in supervised learning, to be on the same page (with a focus on recursive feature elimination): https://etulab.univ-amu.fr/gilson.m/compneuro_course/-/tree/main/sup_lrn

If some of you are interested in machine learning for time series, we can have a session on this (we’ll decide together on Monday morning)

Following, we will focus on autodifferenciation, first from scratch and then using pytorch, see https://etulab.univ-amu.fr/gilson.m/compneuro_course/-/tree/main/autodiff (in progress of being updated)

And a few datasets are available there: https://etulab.univ-amu.fr/gilson.m/compneuro_course/-/tree/main/data ; in particular we will use the MNIST dataset as a benchmark for classification, etc.

Artificial neural networks applied to the understanding of biological vision

Wed, 10 Apr 2024 09:00:00 +0000

Analyser de larges volumes de données neurobiologiques, vers une approche biomimétique

Wed, 27 Mar 2024 17:00:00 +0000

Related papers
A Robust Event-Driven Approach to Always-on Object Recognition
Antoine Grimaldi, Victor Boutin, Sio-Hoi Ieng, Ryad Benosman, Laurent U Perrinet

PDF Cite DOI Press Hal Code URL

Learning heterogeneous delays in a layer of spiking neurons for fast motion detection
Antoine Grimaldi, Laurent U Perrinet

PDF Cite DOI URL Code Supplementary Material

Cortical recurrence supports resilience to sensory variance in the primary visual cortex
Hugo Ladret, Nelson Cortes, Lamyae Ikan, Frédéric Chavane, Christian Casanova, Laurent U Perrinet

PDF Cite DOI Dataset Code URL bioRxiv HAL

Chats, mouches, humains : comment la vision a évolué en de multiples facettes

Fri, 23 Feb 2024 00:00:00 +0000

Ce texte est disponible dans cet article de The Conversation.
Une version longue (et son code) sont aussi disponibles.
Let’s discuss it: linkedIn - linkedIn - facebook

Modélisation multi-échelle de la sélectivité à l'orientation dans les stimulations visuelles naturelles

Thu, 08 Feb 2024 00:00:00 +0000

Analyse Des Données Neurobiologiques Guidée Par La Modélisation

Mon, 01 Jan 2024 00:00:00 +0000

Event-based vision

Thu, 14 Dec 2023 14:00:00 +0000

Journées sur l’apprentissage frugal (JRAF)
13-14 décembre 2023
Grenoble (France)
https://jraf-2023.sciencesconf.org/

Event-based vision

Fri, 01 Dec 2023 09:45:00 +0000

Event-based vision

Fri, 01 Dec 2023 09:45:00 +0000

When brains meet computing machines

Accurate Detection of Spiking Motifs by Learning Heterogeneous Delays of a Spiking Neural Network

Tue, 07 Nov 2023 19:00:00 +0000

Poster Session at https://snufa.net/2023/
https://snufa.net/2023/abstracts/laurent-perrinet-accurate.html
code: https://github.com/laurentperrinet/2023-09-27_HDSNN-ICANN
see a follow-up as journal paper:
Laurent U Perrinet (2023). Accurate Detection of Spiking Motifs by Learning Heterogeneous Delays of a Spiking Neural Network. ICANN Special Session on Recent Advances in Spiking Neural Networks.
PDF Cite Slides DOI Code arXiv

Réseaux de Neurones Impulsionnels Pour La Vision Embarquée Basée Sur Les Événements

Fri, 06 Oct 2023 00:00:00 +0000

Accurate Detection of Spiking Motifs by Learning Heterogeneous Delays of a Spiking Neural Network

Wed, 27 Sep 2023 11:30:00 +0000

Hybrid Session, Room 2
Chair: Sander Bohté, Sebastian Otte
read the proceedings
The code is available on GitHub
see accompanying paper:
Laurent U Perrinet (2023). Accurate Detection of Spiking Motifs by Learning Heterogeneous Delays of a Spiking Neural Network. ICANN Special Session on Recent Advances in Spiking Neural Networks.
PDF Cite Slides DOI Code arXiv

Accurate Detection of Spiking Motifs by Learning Heterogeneous Delays of a Spiking Neural Network

Wed, 27 Sep 2023 00:00:00 +0000

paper presented during the 32nd International Conference on Artificial Neural Networks (ICANN 2023)
Will be presented at the special session on Recent Advances in Spiking Neural Networks at this year’s ICANN 2023 conference
This theoretical implements the objectives set up in this review:
Antoine Grimaldi, Amélie Gruel, Camille Besnainou, Jean-Nicolas Jérémie, Jean Martinet, Laurent U Perrinet (2022). Precise spiking motifs in neurobiological and neuromorphic data.
Cite DOI Hal Code URL arXiv
The code is available on GitHub

Retinotopy improves the categorisation and localisation of visual objects in CNNs

Tue, 26 Sep 2023 00:00:00 +0000

as was presented at the 32nd International Conference on Artificial Neural Networks (ICANN 2023) in Heraklion (Greece).
this proceedings paper follows up the poster presented in :
Jean-Nicolas Jérémie, Emmanuel Daucé, Laurent U Perrinet (2023). Retinotopy improves the categorisation and localisation of visual objects in CNNs. In preparation.
Cite URL
see a follow-up presentation in:
Jean-Nicolas Jérémie, Emmanuel Daucé, Laurent U Perrinet (2023). Retinotopy in CNN's implements Efficient Visual Search. Computational Cognitive Neuroscience Society Meeting (CCN) 2024.
PDF Cite URL
Read the corresponding paper
Jean-Nicolas Jérémie, Emmanuel Daucé, Laurent U Perrinet (2026). Foveated Retinotopy Improves Classification and Localization in CNNs. Vision.
PDF Cite DOI URL arXiv

Beyond $\ell_1$ sparse coding in V1

Tue, 12 Sep 2023 00:00:00 +0000

Follows
Ilias Rentzeperis, Luca Calatroni, Laurent U Perrinet, Dario Prandi (2022). Which sparsity problem does the brain solve?. Proceedings of AREADNE.
PDF Cite URL

Event-based vision

Fri, 08 Sep 2023 11:00:00 +0000

Retinotopy in CNN's implements Efficient Visual Search

Tue, 08 Aug 2023 00:00:00 +0000

Read the corresponding paper
Jean-Nicolas Jérémie, Emmanuel Daucé, Laurent U Perrinet (2026). Foveated Retinotopy Improves Classification and Localization in CNNs. Vision.
PDF Cite DOI URL arXiv

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.

Interactions between machine learning, artificial neural networks and our understanding of biological vision

Wed, 10 May 2023 14:00:00 +0000

Convolutional Sparse Coding is improved by heterogeneous uncertainty modeling

Fri, 05 May 2023 00:00:00 +0000

Accepted paper (poster) at the ICLR 2023 Workshop on Sparsity in Neural Networks:
the focus of the WS is on “On practical limitations and tradeoffs between sustainability and efficiency” in Kigali, Rwanda / May 5th 2023
reviews will be made public on https://openreview.net/forum?id=tgr8FEcl28M
In a nutshell: We found that sparse coding of images (here extended in a convolutional framework) is improved when using kernels with heterogeneous precision in how they encode orientation information. This was confirmed by learning, but also by comparison with what is observed in the statistics of natural images and in our recordings from neurons in primary visual cortex.

Epistemic uncertainty in a CSC dictionary improves both sparseness and reconstruction performance. (a) Elements from dictionaries with fixed epistemic uncertainty before (green) and after dictionary learning (orange). (b) Elements from a dictionary with heterogeneous epistemic uncertainty before (blue) and after dictionary learning (purple). (c) Elements from a dictionary learned from scratch. (d) Distribution of the sparseness (top) and Peak Signal-to-Noise Ratio (PSNR, right) of the five dictionaries, shown as a scatter plot for each of the 600 images of the dataset (center). Median values are shown as dashed line on the histograms.
This theoretical work accompanies a similar study in neurophysiology:
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
This work was extended in
Hugo Ladret, Christian Casanova, Laurent U Perrinet (2024). Kernel Heterogeneity Improves Sparseness of Natural Images Representations. Neuromorphic Computing and Engineering.
Cite Dataset DOI URL HAL

Artificial neural networks and machine learning applied to the understanding of biological vision

Wed, 05 Apr 2023 09:00:00 +0000

Artificial neural networks and machine learning applied to the understanding of biological vision

Mon, 03 Apr 2023 14:00:00 +0000

Ultra-Fast Image Categorization in biology and in neural models

Tue, 21 Mar 2023 00:00:00 +0000

read the paper online or in PDF
full code with extensive Supplementary Material
Video Abstract and code for Video Abstract
join the Zotero group to add and discuss more items
this is a follow-up of:
Jean-Nicolas Jérémie, Laurent U Perrinet (2021). Ultra-fast categorization of images containing animals in vivo and in computo. Champalimaud Research Symposium (CRS21).
PDF Cite Venue
see an extension perspective to visual search in:
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

Resilience to sensory uncertainty in the primary visual cortex

Thu, 09 Mar 2023 00:00:00 +0000

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

Learning heterogeneous delays of spiking neurons for motion detection

Fri, 27 Jan 2023 00:00:00 +0000

see a follow-up as journal paper:
Antoine Grimaldi, Laurent U Perrinet (2023). Learning heterogeneous delays in a layer of spiking neurons for fast motion detection. Biological Cybernetics.
PDF Cite DOI URL Code Supplementary Material
presented at GDR vision 2023 2022 January 2023 in Toulouse, France

Game theory and brain strategies

Mon, 23 Jan 2023 18:00:00 +0000

workshop organisé par les étudiants du master de sciences cognitives les 23 et 24 janvier 2023.

Formes et perception

Sun, 01 Jan 2023 00:00:00 +0000

Rétinotopie. L’image du tableau “Les Ambassadeurs” de Hans Holbein le Jeune peut être représentée sur une grille régulière représentée par des lignes verticales (rouges) et horizontales (bleues). La rétinotopie transforme radicalement cette grille, et en particulier la zone représentant la fovéa (en gris) occupe environ la moitié de l’espace dans l’espace rétinien. Appliquée à l’image originale du portrait, l’image est fortement déformée et représente plus finalement les parties situées sous l’axe de vision (ici la main).

Publication d’un article écrit pour le catalogue de l’exposition “Vasarely, d’un art programmatique au numérique” qui a eu lieu du 17 juin au 15 octobre 2023 à l’Espace Culturel départemental Lympia de Nice. Le catalogue est édité par Décitre - (ISBN: 978-88-366-4958-7). Pour plus d’informations sur l’exposition, suivre le lien : https://www.departement06.fr/culture/vasarely-d-un-art-programmatique-au-numerique-13667.html

Les objectifs sont :

explorer les représentations de la perception visuelle en explorant certaines limites;
découvrir comment certaines oeuvres d’art peuvent lever le voile sur certains mécanismes;
mieux comprendre le rôle de l’action dans la perception. Une prépublication est accessible sur le repo GitHub, ainsi que les sources.

Retinotopy improves the categorisation and localisation of visual objects in CNNs

Sun, 01 Jan 2023 00:00:00 +0000

as was presented at the Computational Cognitive Neuroscience Society Meeting 2023 in Oxford
see a follow-up presentation in:
Jean-Nicolas Jérémie, Emmanuel Daucé, Laurent U Perrinet (2023). Retinotopy improves the categorisation and localisation of visual objects in CNNs. 32nd International Conference on Artificial Neural Networks (ICANN 2023).
PDF Cite DOI URL
Read the corresponding paper
Jean-Nicolas Jérémie, Emmanuel Daucé, Laurent U Perrinet (2026). Foveated Retinotopy Improves Classification and Localization in CNNs. Vision.
PDF Cite DOI URL arXiv

Precise spiking motifs in neurobiological and neuromorphic data

Fri, 23 Dec 2022 00:00:00 +0000

read the paper online or in PDF
Video Abstract
join the Zotero group to add and discuss more items
code for paper (including revisions): https://github.com/SpikeAI/2022_polychronies-review

Core mechanism of polychrony detection. (Left) In this example, three presynaptic neurons denoted b, c and d are fully connected to two post-synaptic neurons a and e, with different delays of respectively 1, 5, and 9 ms for a and 8, 5, and 1 ms for e. (Middle) If three synchronous pulses are emitted from presynaptic neurons, this will generate post-synaptic potentials that will reach a and e asynchronously because of the heterogeneous delays, and they may not be sufficient to reach the membrane threshold in either of the post-synaptic neurons; therefore, no spike will be emitted, as this is not sufficient to reach the membrane threshold of the post synaptic neuron, so no output spike is emitted. (Right) If the pulses are emitted from presynaptic neurons such that, taking into account the delays, they reach the post-synaptic neuron a at the same time (here, at t = 10 ms), the post-synaptic potentials evoked by the three pre-synaptic neurons sum up, causing the voltage threshold to be crossed and thus to the emission of an output spike (red color), while none is emitted from post-synaptic neuron e.

more posts on reddit, RG, or HAL
see follow-up paper:
Laurent U Perrinet (2023). Accurate Detection of Spiking Motifs by Learning Heterogeneous Delays of a Spiking Neural Network. ICANN Special Session on Recent Advances in Spiking Neural Networks.
PDF Cite Slides DOI Code arXiv

Detection of precise spiking motifs using spike-time dependent weight and delay plasticity

Sun, 11 Sep 2022 00:00:00 +0000

see a follow-up as journal paper:
Antoine Grimaldi, Laurent U Perrinet (2023). Learning heterogeneous delays in a layer of spiking neurons for fast motion detection. Biological Cybernetics.
PDF Cite DOI URL Code Supplementary Material

Recurrent cortical connectivity in the primary visual cortex supports robust encoding of natural sensory inputs

Mon, 11 Jul 2022 00:00:00 +0000

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

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

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

Wed, 29 Jun 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
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
Read the corresponding paper
Jean-Nicolas Jérémie, Emmanuel Daucé, Laurent U Perrinet (2026). Foveated Retinotopy Improves Classification and Localization in CNNs. Vision.
PDF Cite DOI URL arXiv

Which sparsity problem does the brain solve?

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

Follow-up paper
Ilias Rentzeperis, Luca Calatroni, Laurent U Perrinet, Dario Prandi (2023). Beyond $\ell_1$ sparse coding in V1. PLOS Computational Biology.
Cite DOI URL

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

Réseaux de neurones artificiels et apprentissage machine appliqués à la compréhension de la vision

Wed, 23 Mar 2022 09:00:00 +0000

Où: Salle PHY51 - Marseille (France)
Quoi: Master 1 Neurosciences et Sciences Cognitives

Réseaux neuronaux artificiels pour la vision

Mercredi 23/03/2022 de 9h-12h
Introduction aux Neurosciences de la Vision
Réseaux de neurones artificiels et apprentissage machine
slides

Neurones impulsionnels et modèles des fonctions visuelles

Mercredi 23/03/2022 de 13h30-16h30
TP via notebook
https://github.com/laurentperrinet/2022_UE-neurosciences-computationnelles/

Statistics of the sparse representations of natural images

Tue, 22 Mar 2022 00:00:00 +0000

see previous work: https://laurentperrinet.github.io/sciblog/posts/2018-11-05-statistics-of-the-natural-input-to-a-ring-model.html

Mini-Symposium “Learning from vision: Efficient representation, sparse coding, and modelling”

Although recent years have seen a striking improvement in imaging techniques, there are many tasks for which human interaction is still essential, as color gamut correction in the cinema industry. This suggests that a better understanding of the mechanisms underlying the visual system is instrumental to advances in imaging techniques. Along these lines, various ideas from computational neurosciences have found application in imaging, from pattern recognition to image inpainting. A promising line of investigation is built on methods based on models of the primary visual cortex and on neural coding, in particular via the efficient representation principle. These methods have recently allowed to define new artificial neural networks paradigms and to reproduce complex visual illusions. In this mini-symposium we aim to gather together experts working in the field of mathematical neuroscience and imaging, with a focus on these methods. In particular, the speakers will present recent results based on sparse coding and models of the visual system.

Organizer: Dario Prandi

12:40-1:05 The intrinsically nonlinear nature of receptive fields in vision: implications for imaging, vision science and artificial neural networks Marcelo Bertalmío, Spanish National Research Council, Spain
1:10-1:35 ChebLieNet: Invariant Spectral Graph Nns Turned Equivariant by Sub-Riemannian Geometry on Lie Groups Erik Bekkers, University of Amsterdam, Netherlands
1:40-2:05 Deep Predictive Coding for More Robust and Human-Like Vision Rufin VanRullen, Centre de Recherche Cerveau et Cognition (CerCo), France
2:10-2:35 Statistics of the Sparse Representations of Natural Images Hugo Ladret and Laurent U. Perrinet, CNRS & Aix-Marseille Université, Marseille, France More on https://meetings.siam.org/sess/dsp_programsess.cfm?sessioncode=73028

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

Des illusions aux hallucinations visuelles: une porte sur la perception

Wed, 12 Jan 2022 18:00:00 +0000

Nous aurons le plaisir d’échanger avec notre conférencier Laurent Perrinet et nous vous espérons nombreux. Pour situer le conférencier : https://laurentperrinet.github.io/2019-05_illusions-visuelles/ « C’est toujours fascinant de voir ou de revoir des illusions visuelles. C’est encore plus fascinant de plonger dans leurs explications. »

A Behavioral Receptive Field for Ocular Following in Monkeys: Spatial Summation and Its Spatial Frequency Tuning

Sat, 01 Jan 2022 00:00:00 +0000

What You See Is What You Transform: Foveated Spatial Transformers as a Bio-Inspired Attention Mechanism

Sat, 01 Jan 2022 00:00:00 +0000

IJCNN page: https://www.techrxiv.org/articles/preprint/What_You_See_Is_What_You_Transform_Foveated_Spatial_Transformers_as_a_bio-inspired_attention_mechanism/16550391/1

Decoding orientation distributions from noisy observations in V1

Fri, 15 Oct 2021 00:00:00 +0000

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

SDPC : A Sparse and Predictive Model of the Early Visual System

Tue, 28 Sep 2021 00:00:00 +0000

Simulating anticipatory activity in a 1D Spiking Neural Network Model

Wed, 22 Sep 2021 00:00:00 +0000

poster number: 94
scheduled on Wednesday, Sep 22, 18:00 CEST.
https://abstracts.g-node.org/conference/BC21/abstracts#/uuid/05f81f30-d5d5-4467-b977-f28e9bed65f0

Dynamical processing of orientation precision in the primary visual cortex

Fri, 27 Aug 2021 00:00:00 +0000

This is 40th edition of Dynamicsdays
Nice, 23-27 August 2021 - https://dynamicsdays2021.univ-cotedazur.fr
check out the book of abstracts
In this talk, we will present the following paper :
Preliminary Program:
- Bruno Cessac, The Retina as a Dynamical System
- Hugo Ladret & Laurent Perrinet, Dynamics of the processing of orientation precision in the primary visual cortex
- Gianluigi Mongillo, Glassy phase in dynamically balanced networks
- Romain Veltz, Spatial and color hallucinations in a mathematical model of primary visual cortex

Pooling in a predictive model of V1 explains functional and structural diversity across species

Tue, 15 Jun 2021 11:15:00 +0000

In this talk, I will present the following paper :
Pooling in a predictive model of V1 explains functional and structural diversity across species
Victor Boutin, Angelo Franciosini, Frédéric Chavane, Laurent U Perrinet

Cite DOI URL bioRxiv
see a follow-up in:
Sparse Deep Predictive Coding captures contour integration capabilities of the early visual system
Victor Boutin, Angelo Franciosini, Frédéric Chavane, Franck Ruffier, Laurent U Perrinet

PDF Cite DOI Code URL arXiv
more about the role of top-down connections:
Effect of top-down connections in Hierarchical Sparse Coding
Victor Boutin, Angelo Franciosini, Franck Ruffier, Laurent U Perrinet

PDF Cite DOI URL arXiv

Dynamical processing of orientation precision in the primary visual cortex

Thu, 20 May 2021 14:00:00 +0000

As presented during the NeuroFrance 2021 meeting
get the abstract book
In this talk, we will present the following paper :

Le jeu du cerveau et du hasard

Fri, 01 Jan 2021 00:00:00 +0000

Ce texte est disponible dans cet article de The Conversation.
Une version longue (et son code) sont aussi disponibles.

Modulation of orientation selectivity by orientation precision

Fri, 01 Jan 2021 00:00:00 +0000

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

Understanding natural vision using deep predictive coding

Fri, 25 Sep 2020 15:45:00 +0000

What:: talk @ Séminaire à l’Institut de Recherche sur les Phénomènes Hors Équilibre (IRPHÉ)
Who:: Perrinet, Laurent U
Where: Marseille (France), see https://laurentperrinet.github.io/talk/2020-09-25-irphe
When: 25/09/2020, time: 15:45:00-16:30:00
What:
- Slides @ https://laurentperrinet.github.io/2020-09-25_IRPHE
- Code for slides @ https://github.com/laurentperrinet/2020-09-25_IRPHE/
- Abstract: Building models which efficiently process images is a great source of inspiration to better understand the processes which underly our visual perception. I will present some classical models stemming from the Machine Learning community and propose some extensions inspired by Nature. For instance, Sparse Coding (SC) is one of the most successful frameworks to model neural computations at the local scale in the visual cortex. It directly derives from the efficient coding hypothesis and could be thought of as a competitive mechanism that describes visual stimulus using the activity of a small fraction of neurons. At the structural scale of the ventral visual pathways, feedforward models of vision (CNNs in the terminology of deep learning) take into account neurophysiological observations and provide as of today the most successful framework for object recognition tasks. Nevertheless, these models do not leverage the high density of feedback and lateral interactions observed in the visual cortex. In particular, these connections are known to integrate contextual and attentional modulations to feedforward signals. The Predictive Coding (PC) theory has been proposed to model top-down and bottom-up interaction between cortical regions. We will here introduce a model combining Sparse Coding and Predictive Coding in a hierarchical and convolutional architecture. Our model, called Sparse Deep Predictive Coding (SDPC), was trained on several different databases including faces and natural images. We analyze the SPDC from a computational and a biological perspective and we combine neuroscientific evidence with machine learning methods to analyze the impact of recurrent processing at both the neural organization and representational levels. These results from the SDPC model additionally demonstrate that neuro-inspiration might be the right methodology to design more powerful and more robust computer vision algorithms.

Visual search as active inference

Mon, 14 Sep 2020 18:00:00 +0000

see proceedings paper:
Visual search as active inference
Emmanuel Daucé, Laurent U Perrinet

PDF Cite DOI Slides Pdf Code URL
What:: talk @ 1st International Workshop on Active Inference (IWAI 2020)
Who:: Emmanuel Daucé and Laurent Perrinet
Where: Ghent (Belgium), gone virtual, see https://laurentperrinet.github.io/talk/2020-09-14-iwai
When: 14/09/2020, time: 12:20:00-12:40:00
What:
- Slides @ https://laurentperrinet.github.io/2020-09-14_IWAI
- Code for slides @ https://github.com/laurentperrinet/2020-09-14_IWAI/
- Abstract: Visual search is an essential cognitive ability, offering a prototypical control problem to be addressed with Active Inference. Under a Naive Bayes assumption, the maximisation of the information gain objective is consistent with the separation of the visual sensory flow in two independent pathways, namely the “What” and the “Where” pathways. On the “What” side, the processing of the central part of the visual field (the fovea) provides the current interpretation of the scene, here the category of the target. On the “Where” side, the processing of the full visual field (at lower resolution) is expected to provide hints about future central foveal processing given the potential realisation of saccadic movements. A map of the classification accuracies, as obtained by such counterfactual saccades, defines a utility function on the motor space, whose maximal argument prescribes the next saccade. The comparison of the foveal and the peripheral predictions finally forms an estimate of the future information gain, providing a simple and resource-efficient way to implement information gain seeking policies in active vision. This dual-pathway information processing framework is found efficient on a synthetic visual search task and we show here quantitatively the role of the precision encoded within the accuracy map. More importantly, it is expected to draw connections toward a more general actor-critic principle in action selection, with the accuracy of the central processing taking the role of a value (or intrinsic reward) of the previous saccade.

From the retina to action: Understanding visual processing

Fri, 03 Apr 2020 16:00:00 +0000

2020-04_UE-neurosciences-computationnelles, matériel pour le cours de modélisation

Où: Marseille (France)
Quoi: Master Neurosciences et Sciences Cognitives
But de ce travail: lire un article scientifique, pouvoir le reproduire avec des simulations d’un neurone et afin d’améliorer sa compréhension.
Modalités: les étudiants s’organisent seuls, en binome ou en trinome pour fournir un mémoire sous forme de notebook complété à partir du modèle qui est fourni. Suivez les balises TODO dans le notebook pour vous guider dans cette rédaction. Les commentaires doivent être fait en français (ou en anglais si nécessaire) dans le notebook (n’oubliez-pas de sauver vos changements) et envoyé par e-mail à mailto:laurent.perrinet@univ-amu.fr une fois votre travail fini (de préférence avant le 31 avri).
Outils nécessaires: Jupyter, avec numpy et matplotlib. Ce sont des outils standard et qui sont facilement installables sur toute plateforme. Si vous avez des problèmes, me joindre par e-mail 👇

Etude d’un Algorithme Hiérarchique de Codage Épars et Prédictif : Vers Un Modèle Bio-Inspiré de La Perception Visuelle

Fri, 13 Mar 2020 00:00:00 +0000

Humans adapt their anticipatory eye movements to the volatility of visual motion properties

Sun, 26 Jan 2020 00:00:00 +0000

“Humans adapt their anticipatory eye movements to the volatility of visual motion properties”

At what point should we become alarmed? When faced with changes in the environment, the sensory system provides an effective response.

The current health situation has shown us how abruptly our environment can change from one state to another, tragically illustrating the volatility we can face. To understand this notion of volatility, let’s take the case of a doctor who, among the patients he receives, usually diagnoses one out of ten cases of flu. Suddenly, he gets 5 out of 10 patients who test positive. Is this an unfortunate coincidence or are we now sure that there is a switch to a flu episode? Recent events have shown us how difficult it is to make a rational decision in times of uncertainty, and in particular to decide when to act. However, mathematical solutions exist that adapt our behavior by optimally combining the information explored recently with that exploited in the past. In an article published in PLoS Computational Biology, Pasturel, Montagnini and Perrinet show that our brain responds to changes in the sensory environment in the same way as this mathematical model.

By manipulating the probability bias of the presentation of a visual target on a screen, this experiment manipulates the volatility of the environment in a controlled way by introducing switches in the probability bias. These switches randomly change the bias among different degrees of probability (both left and right). At each trial, the bias then generates a realization, either left (L) or right (R). The target moves in blocks of 50 trials (1 to 50) and these realizations are the only ones to be observed, the evolution of the bias and its shifts remaining hidden from the observer. Compared to the floating average that is conventionally used, a mathematical model can be deduced as a predictive average that allows to better follow the dynamics of the probability bias. Thanks to psychophysical experiments, we have shown that observers preferentially follow the predictive mean, rather than the floating mean, both in explicit judgements (predictive betting) and, more surprisingly, in the anticipatory movements of the eyes that are carried out without the observers being aware of them.

These theoretical and experimental results show that in this realistic situation in which the context changes at random moments throughout the experiment, our sensory system adapts to volatility in an adaptive manner over the course of the trials. In particular, the experiments show in two behavioural experiments that humans adapt to volatility at the early sensorimotor level, through their anticipatory eye movements, but also at a higher cognitive level, through explicit evaluations. These results thus suggest that humans (and future artificial systems) can use much richer adaptation strategies than previously assumed. They provide a better understanding of how humans adapt to changing environments in order to make judgements or plan responses based on information that varies over time.

read the preprint (the official online publication or in PDF is wrongly typeset: the editors inverted the images of figures 2 & 3, while keeping the captions. Unfortunately, the policy of the journal is to issue a correction, but not to correct it. There is therefore no official correct version on the PLoS* website.)
get a )
Abstract
HTML
PDF
supplementary info : https://github.com/laurentperrinet/PasturelMontagniniPerrinet2020/blob/master/Pasturel_etal2020_PLoS-CB_SI.pdf
Communiqué de presse INSB-CNRS (en français)
code for paper: https://github.com/laurentperrinet/PasturelMontagniniPerrinet2020
code for framework: https://github.com/chloepasturel/AnticipatorySPEM
code for the Bayesian model: https://github.com/laurentperrinet/bayesianchangepoint
code for figures Figure 1, Figure 2, Figure 3, Figure 4, Figure 5
video abstract (and the code for generating the video abstract)
Notre papier avec Chloe Pasturel et @MontagniniAnna figure dans les faits marquants 2020 de la Société des Neurosciences! Voir aussi https://lejournal.cnrs.fr/nos-blogs/aux-frontieres-du-cerveau/les-faits-marquants-2020-de-la-societe-de-neurosciences :

Des illusions aux hallucinations visuelles: une porte sur la perception

Mon, 20 Jan 2020 10:00:00 +0000

ÇA TOURNE a été sélectionné pour participer à la compétition du « Alexandre Trauner ART/Film Festival » (Szolnok, Hongrie) : http://www.ataff.hu/
visible aux Soirée Courts Métrages Ciné Rencontre de la Ville de Berre l’Étang https://www.berreletang.fr/soiree-courts-metrages?periode=2021-04-30%2017%3A23%3A26
ÇA TOURNE de Camille Goujon, a été sélectionné au 27ème Festival national du film d’animation de Rennes Métropole, dans la catégorie Autoproductions du 7 au 11 octobre 2021 http://festival-film-animation.fr/
le court-métrage a été sélectionné pour participer au « Happy Valley Animation Festival » (Pennsylvanie, USA) : https://happyvalleyanimationfestival.org/
Le film “ÇA TOURNE” a été sélectionné pour faire partie de la compétition catégorie «FILMS SCOLAIRES" diffusée du 4 au 7 novembre 2020 dans le cadre du festival “7ème Art Jeunes Talent! : http://www.festivaltournezjeunesse.com
Dans le cadre d’un projet Région (APERLA) les élèves de seconde Bac Pro Menuisiers agenceurs ont conçu ce film sous la direction de leur professeur Mme Bomont et sous la direction artistique de Camille Goujon, artiste et cinéaste d’animation https://www.domaine-eguilles.fr/realisation-collective-de-lyceens-sous-la-direction-artistique-de-camille-goujon-artiste-et-cineaste-d-animation
Ce court métrage fait partie des 7 films réalisés dans le cadre des « Ateliers de réalisation Cinésciences » proposés par l’association Polly Maggoo http://festivalrisc.org/films-dateliers/
ref sur http://www.lussasdoc.org/film-ca_tourne-1,53288.html
Le texte de cette présentation est reprise dans cet article de The Conversation (lien direct).
Voir la @ présentation au NeuroStories sur un thème similaire

La vision comme processus prédictif: Une approche bio-mimétique

Tue, 07 Jan 2020 00:00:00 +0000

Suite de mes travaux d’habilitation à diriger des recherches (HDR) sur le thème de la vision comme processus prédictif.
Laurent U Perrinet (2014). Codage prédictif dans les transformations visuo-motrices.
Cite URL PDF

Anticipatory Responses along Motion Trajectories in Awake Monkey Area V1

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

From the retina to action: Dynamics of predictive processing in the visual system

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

Find the text at https://laurentperrinet.github.io/Perrinet20PredictiveProcessing/
The source code of the text is available at https://github.com/laurentperrinet/Perrinet20PredictiveProcessing This chapter is available as part of the book “The Philosophy and Science of Predictive Processing” : List of Contributors :
Preface: The Brain as a Prediction Machine, Anil Seth
Introduction, Dina Mendonça, Manuel Curado & Steven S. Gouveia
Part I: Predictive Processing: Philosophical Approaches

Predictive Processing and Representation: How Less Can Be More, Erik Myin and Thomas van Es
A Humean Challenge to Predictive Coding, Colin Klein
Are Markov Blankets Real and Does it Matter?, Richard Menary and Alexander J. Gillett
Predictive Processing and Metaphysical Views of the Self, Robert Clowes and Klaus Gärtner

Part II: Predictive Processing: Cognitive Science and Neuroscientific Approaches

From the Retina to Action: Dynamics of Predictive Processing in the Visual System, Laurent Perrinet
Predictive Processing and Consciousness: Prediction Fallacy and its Spatiotemporal Resolution, Steven S. Gouveia
The Many Faces of Attention: Why Precision Optimization is not Attention, Sina Fazelpour and Madeleine Ransom
Predictive Processing: Does it Compute?, Chris Thornton

Part III: Predictive Processing: Mental Health

The Predictive Brain, Conscious Experience and Brain-related Conditions, Lisa Feldman Barrett and Lorena Chanes
Disconnection and Diaschisis: Active Inference in Neuropsychology, Thomas Parr and Karl Friston
The Phenomenology and Predictive Processing of Time in Depression, Zachariah Neemeh and Shaun Gallagher
Why Use Predictive Processing to Explain Psychopathology? The Case of Anorexia Nervosa, Jakob Hohwy and Stephen Gadsby

Afterword, Manuel Curado

Learning dynamics in a neural network model of the primary visual cortex

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

See also Ladret and Perrinet, 2019

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

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

Learning where to look: a foveated visuomotor control model

Mon, 15 Jul 2019 12:20:00 +0000

download a preliminary PDF

Problem setting: In generic, ecological settings, the visual system faces a tricky problem when searching for one target (from a class of targets) in a cluttered environment. A) It is synthesized in the following experiment: After a fixation period of 200 ms, an observer is presented with a luminous display showing a single target from a known class (here digits) and at a random position. The display is presented for a short period of 500 ms (light shaded area in B), that is enough to perform at most one saccade (here, successful) on the potential target. Finally, the observer has to identify the digit by a keypress. B) Prototypical trace of a saccadic eye movement to the target position. In particular, we show the fixation window and the temporal window during which a saccade is possible (green shaded area). C) Simulated reconstruction of the visual information from the (interoceptive) retinotopic map at the onset of the display and after a saccade, the dashed red box indicating the visual area of the ``what’’ pathway. In contrast to an exteroceptive representation (see A), this demonstrates that the position of the target has to be inferred from a degraded (sampled) image. In particular, the configuration of the display is such that by adding clutter and reducing the size of the digit, it may become necessary to perform a saccade to be able to identify the digit. The computational pathway mediating the action has to infer the location of the target \emph{before seeing it}, that is, before being able to actually identify the target’s category from a central fixation.

Results: success

Results: failure to classify

Results: failure to locate

Should I stay or should I go? Humans adapt to the volatility of visual motion properties, and know about it

Thu, 23 May 2019 01:30:00 +0000

See the final publication @
Humans adapt their anticipatory eye movements to the volatility of visual motion properties
Chloé Pasturel, Anna Montagnini, Laurent U Perrinet

Cite DOI Press Pdf Code URL bioRxiv
This is part of the Active Inference symposium @ NeuroFrance SYMPOSIUM, Room 7 23.05.2019, 11:00 – 13:00
in french: Principes et psychophysique de l´Inférence Active dans l’estimation d’un biais dynamique et volatile de probabilité
previous talk @ LAW, Lyon
previous talk @ INVIBE FEST, Paris
previous talk @ Brain workshop, Marseille
previous talk @ LACONEU, Chile
previous talk @ CAUSAL Kick-off, Marseille

Des illusions aux hallucinations visuelles: une porte sur la perception

Thu, 18 Apr 2019 13:00:00 +0000

Le texte de cette présentation est reprise dans cet article de The Conversation (lien direct).
Voir la @ présentation au NeuroStories

Should I stay or should I go? Adaption of human observers to the volatility of visual inputs

Fri, 05 Apr 2019 15:45:00 +0000

See the final publication @
Humans adapt their anticipatory eye movements to the volatility of visual motion properties
Chloé Pasturel, Anna Montagnini, Laurent U Perrinet

Cite DOI Press Pdf Code URL bioRxiv
previous talk @ LAW, Lyon
previous talk @ INVIBE FEST, Paris
previous talk @ Brain workshop, Marseille
previous talk @ LACONEU, Chile
next talk @ NeuroFrance, Marseille

From the retina to action: Understanding visual processing

Wed, 03 Apr 2019 16:00:00 +0000

Cours de Licence Sciences & Humanité, 3/4/2019

Effet de La Variabilité de La Vitesse Sur Le Mouvement de Poursuite Oculaire Lente et Sur La Perception de La Vitesse

Mon, 01 Apr 2019 00:00:00 +0000

From the retina to action: Predictive processing in the visual system

Mon, 25 Mar 2019 14:30:00 +0000

see a follow-up in:
Sparse Deep Predictive Coding captures contour integration capabilities of the early visual system
Victor Boutin, Angelo Franciosini, Frédéric Chavane, Franck Ruffier, Laurent U Perrinet

PDF Cite DOI Code URL arXiv
more about the role of top-down connections:
Effect of top-down connections in Hierarchical Sparse Coding
Victor Boutin, Angelo Franciosini, Franck Ruffier, Laurent U Perrinet

PDF Cite DOI URL arXiv

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

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

Speed-Selectivity in Retinal Ganglion Cells is Sharpened by Broad Spatial Frequency, Naturalistic Stimuli

Thu, 24 Jan 2019 00:00:00 +0000

Press release

Dès la rétine, le système visuel préfère des images naturelles

Dans la rétine, au premier étage du traitement de l’image visuelle, on peut obtenir des représentations extrêmement fines. Une collaboration entre des chercheurs français et chiliens a permis de mettre en évidence que, dans la rétine de rongeurs, une représentation de la vitesse de l’image visuelle est précisément codée. Dans cette collaboration pluridisciplinaire, l’utilisation d’un modèle du fonctionnement de la rétine a permis de générer un nouveau type de stimuli visuels qui a révélé des résultats expérimentaux surprenants.

La rétine est la première étape du traitement visuel, aux capacités étonnantes. À la différence d’un simple capteur comme ceux qu’on trouve dans les appareils photographiques numériques, ce mince tissu neuronal est un système complexe et encore largement méconnu. Une meilleure connaissance de cette structure est essentielle pour la construction de capteurs du futur efficaces et économes -par exemple ceux qui équiperont les futures voitures autonomes- mais aussi pour mieux comprendre des pathologies comme la Déficience Maculaire Liée à l’Age (DMLA). Une des facettes méconnues de la rétine est sa capacité à détecter des mouvements et cet article permet de mieux comprendre une partie des mécanismes en jeu.

Conciliant modélisation et neurophysiologie, cette étude a permis de faire des prédictions sur le traitement de l’information rétinienne et en particulier de générer des textures synthétiques qui sont optimales pour ces modèles (voir film). Les enregistrements effectués sur la rétine de rongeurs diurnes Octodon degus ont ensuite permis de mesurer la sélectivité à la vitesse mais aussi de valider une nouvelle fois ces modèles en reconstruisant l’image d’entrée à partir de l’activité neurale. Le résultat le plus inattendu est la différence de sélectivité de certaines classes de neurones rétiniens par rapport à la complexité du stimulus présenté. En effet, la représentation de la vitesse est relativement peu précise si on utilise des réseaux de lignes (“Grating”), comme cela est d’habitude réalisé dans la plupart des expériences neurophysiologiques. Au contraire, elle devient plus précise si on utilise comme signaux visuels des textures artificielles ressemblant à des nuages en mouvement (“MC Narrow”). En particulier, plus cette texture est complexe, plus la représentation est précise (“MC Broad”).

Ces textures complexes sont plus proches des images naturellement observées et ces résultats montrent donc que dès la rétine, le système visuel est particulièrement adapté à des stimulations naturelles. Ce résultat devrait pouvoir s’étendre à des textures encore plus complexes et encore plus proches d’images naturelles, mais aussi pouvoir se généraliser à d’autres aires visuelles plus complexes, comme le cortex visuel primaire, et à d’autres espèces.

Pour une cellule représentative, on montre ici la réponse au cours du temps sous forme d’impulsions pour différentes présentations (Trial) ainsi que la moyenne de cette réponse (Firing rate). Les différentes colonnes représentent différentes vitesses des stimulations sur la rétine. Les différentes lignes sont différentes stimulations. En bleu, une stimulation classique sous forme de réseaux de lignes (« Grating »). En vert et Orange, la réponse à une texture progressivement plus complexe (de « Mc Narrow » à « MC Broad »). Si les réponses aux différents stimulations sont en moyenne similaires, elles sont variables d’essai en essai et une analyse statistique a permis de montrer que dans la majorité des cellules, les réponses sont d’autant plus précises que la stimulation est complexe. © Cesar Ravello

Cette vidéo montre les trois classes de stimulations utilisées dans cette étude. En plus des réseaux sinusoïdaux (“Grating”) qui sont classiquement utilisés en neurosciences, cette étude a utilisé des textures aléatoires (Motion Clouds (MC)) qui sont inspirées de modèles du traitement visuel. Ils permettent en particulier de manipuler des paramètres visuels critiques comme la variété de fréquences spatiales qui sont superposées: soit unique (“Grating”), fine (“MC Narrow”), soit plus large (“MC Broad”). Ces vidéos ont été directement projetées sur des rétines posées sur des grilles d’électrodes qui permettent de mesurer l’activité neurale (voir figure). © Laurent Perrinet / Cesar Ravello

Should I stay or should I go? Adaption of human observers to the volatility of visual inputs

Fri, 18 Jan 2019 10:45:00 +0000

See the final publication @
Humans adapt their anticipatory eye movements to the volatility of visual motion properties
Chloé Pasturel, Anna Montagnini, Laurent U Perrinet

Cite DOI Press Pdf Code URL bioRxiv
previous talk @ LAW, Lyon
previous talk @ INVIBE FEST, Paris
previous talk @ Brain workshop, Marseille
next talk @ CAUSAL Kick-off, Marseille

Role of dynamics in neural computations underlying visual processing

Thu, 17 Jan 2019 10:45:00 +0000

Efficient coding of visual information in neural computations

Wed, 16 Jan 2019 10:45:00 +0000

Modelling spiking neural networks using Brian, Nest and pyNN

Mon, 14 Jan 2019 11:00:00 +0000

Rencontre avec les collégiens marseillais

Thu, 10 Jan 2019 09:30:00 +0000

Cinéma et sciences : rencontre avec les collégiens marseillais

L’Association Polly Maggoo http://www.pollymaggoo.org/ met en place tout le long de l’année, des actions de culture scientifique et artistique en direction du grand public et des lycées, au cours desquelles l’association programme des films à caractère scientifique. Les projections se déroulent en présence de chercheurs et/ou de cinéastes dans la perspective d’un développement de la culture cinématographique et scientifique en direction des publics scolaires. Le jeudi 10 janvier 2019, je suis venu échanger au côté de Serge Dentin autour de films traitant du rapport fiction/réel, des illusion visuelles (" Qu’est ce qu’une image? “), des rapports d’échelles, de la perception, … et qui sont projetés lors de la séance, avec les élèves de deux classes de 4ème. Une occasion aussi de parler du métier de chercheur.

Date
10 janvier 2019
Location
collège André Malraux, Marseille
Programmation
“LAZARUS MIRAGES : TÉLÉPATHIE À L’UNIVERSITÉ DE SHANGAI” de Patric JEAN et Henry BROCH (France, 2012, documentaire, 3'21) /“CARLITOPOLIS” / / “BIG DATA, BIG BUSINESS” / “The Centrifuge Brain Project, A Short Film by Till Nowak”

An adaptive homeostatic algorithm for the unsupervised learning of visual features

Tue, 01 Jan 2019 00:00:00 +0000

“An adaptive algorithm for unsupervised learning”

supplementary info : https://spikeai.github.io/HULK/
Abstract
HTML
PDF
code for paper: https://github.com/SpikeAI/HULK
code for framework: https://github.com/bicv/SparseHebbianLearning/
code for figures https://github.com/SpikeAI/HULK/blob/master/Annex.ipynb (which is rendered @ https://spikeai.github.io/HULK/ )
video abstract (and the code for generating it)
previous publication :
Laurent U Perrinet (2010). Role of homeostasis in learning sparse representations. Neural Computation.
PDF Cite DOI Hal Code URL arXiv

$$f(k;p_{0}^{*}) = \begin{cases}p_{0}^{*} & \text{if }k=1, \\ 1-p_{0}^{*} & \text{if }k=0.\end{cases}$$

Illusions et hallucinations visuelles : une porte sur la perception

Tue, 01 Jan 2019 00:00:00 +0000

Ce texte est disponible dans cet article de The Conversation.
Voir la @ présentation au NeuroStories

Orientation selectivity to synthetic natural patterns in a cortical-like model of the cat primary visual cortex

Tue, 01 Jan 2019 00:00:00 +0000

See a followup in Ladret and Perrinet, 2020

Temps et cerveau : comment notre perception nous fait voyager dans le temps

Tue, 01 Jan 2019 00:00:00 +0000

Un article dans The Conversation dont l’objectif est d’être accessible et réutilisable (dans des cours d’introduction aux neurosciences, sciences cognitives, vision, réseaux de neurones, intelligence artificielle).
Le flash-lag effect original:
la même chose avec un arrêt:
pour illustrer la fleche du temps (" Or dans tout système, d’après le second principe de la thermodynamique, le désordre mesuré par l’entropie se doit d’augmenter. Voilà pourquoi il existe une asymétrie dans l’écoulement du temps, c’est-à-dire une flèche du temps. Résultat, si l’on filme une partie de billard, on trouvera incongru cette séquence si on la projette dans le sens inverse du temps. “), on peut aussi utiliser cette video d’un bocal qui se brise qu’il est aisé de lire dans le sens inverse du temps:
Neurostories: d’autres videos du flash-lag effect
Laurent Perrinet a reçu des financements de l’Agence Nationale de la Recherche (ANR HOR-V1 ANR-17-CE37-0006) et du CNRS (SpikeAI). Cet article n’aurait pas vu le jour sans la journée des Neurostories de la NeuroSchool d’Aix-Marseille Université, ceux qui l’ont fait vivre et parmi eux: François Féron, Alexia Belleville, Jean-Marc Michelangeli, Camille Grasso, Daniele Schön, Anne-Marie François-Bellan, Jennifer Coull, Corine Sombrun et Francis Taulelle.

Bayesian Modeling of Motion Perception using Dynamical Stochastic Textures

Wed, 21 Nov 2018 00:00:00 +0000

La modélisation biomorphique de la perception visuelle

Thu, 11 Oct 2018 18:30:00 +0000

in “La modélisation de la genèse physico-mathématique du vivant”

BIOMORPHISME ET CREATION ARTISTIQUE – Session 3

Date
11 Octobre 2018
Atelier
Séminaire/workshop organisé dans le cadre du projet Biomorphisme. Approches sensibles et conceptuelles des formes du vivant http://lesa.univ-amu.fr/?q=node/391 http://centregranger.cnrs.fr
Location
Bâtiment Egger, dans la salle E 215 (2ème étage côté voie ferrée) - 3 avenue R. Schuman - Aix-en-Provence
Visuels
HTML
Organisation
Jean Arnaud, PR arts plastiques au LESA-AMU ; Julien Bernard, MCF philosophe des sciences au Centre GG Granger-AMU ; Sylvie Pic, artiste
Résumé
La vision utilise un faisceau d’informations de différentes qualités pour atteindre une perception unifiée du monde environnant. Elle interagit avec lui en créant son propre modèle génératif de sa structure physico-mathématique. Avec Etienne Rey de l’atelier Ondes Parallèles, nous avons utilisé lors de plusieurs projets art-science (voir https://github.com/NaturalPatterns) des installations permettant de manipuler explicitement des composantes de ce flux d’information et de révéler des ambiguités dans notre perception. Dans l’installation Tropique, des faisceaux de lames lumineuses sont arrangés dans l’espace assombri de l’installation. Les spectateurs les observent grâce à leur interaction avec une brume invisible qui est diffusée dans l’espace. L’ensemble des faisceaux évolue comme autant de lames lumineuses à partir de 6 video-projecteurs placés dans l’espace de l’installation, suivant une dynamique autonome. En même temps, la position des spectateurs est captée et permet d’alterner entre une vision de ces sculptures d’un point de vue introceptif à un point de vue exteroceptif. Dans «Trame Élasticité», 25 parallélépipèdes de miroirs (3m de haut) sont arrangés verticalement sur une ligne horizontale. Ces lames sont rotatives et leurs mouvements est synchronisé. Suivant la dyamique qui est imposé à ces lames, la perception de l’espace environnent fluctue conduisant à recomposer l’espace de la concentration à l’expansion, ou encore à générer un surface semblant transparente ou inverser la visons de ce qui est située devant et derrière l’observateur. Enfin, dans «Trames», nous explorons l’interaction de séries périodiques de points placées sur des surfaces transparentes. À partir de premières expérimentations utilisant une technique novatrice de sérigraphie, ces trames de points sont placées afin de faire émerger des structures selon le point de vue du spectateur. Ce qui est en jeu ici c’est l’émergence de l’apparition de motifs virtuels résultat de la relation entre une réalité physique, la grandeur et l’ordonnancement de trames et notre physiologie qui conduit à cette état de perception. Lorsqu’on est fasse à ces motifs ce qui saute au yeux plus que le motif réel c’est sa résultante, instable et éphémère qui fait apparaitre une richesse de figures géométriques qui se transforment et évoluent en fonction du temps d’observation et du point de vue. Sur ce principe de dispositif optique, le travail de chacun des motifs, lié à un séquençage de trames conduit à faire apparaitre une composition et des émergences de formes spécifiques. L’expérience de perception de chacun des motifs explore les notions d’instabilité, de flux, d’émergences … dont l’expérience donne à entrevoir des formes que l’on retrouve dans la nature ou les phénomènes naturels: le dessin du pelage d’un zèbre, une accumulation de bulles de savons, ou plus généralement dans les compositions chimiques issue de la théorie de la morphogénèse de Turing. De manière générale, nous montrerons ici les différentes méthodes utilisées, comme l’utilisation des limites perceptives, et aussi les résultats apportés par une telle collaboration.
Mots-Clés
art cinétique ; science ; vision ; perception ; modèle interne

Intervention fête de la science 2018

Wed, 10 Oct 2018 18:30:00 +0000

FÊTE DE LA SCIENCE 2018 : Alcazar / MERLAN

L’Association Polly Maggoo http://www.pollymaggoo.org/ met en place tout le long de l’année, des actions de culture scientifique et artistique en direction du grand public et des lycées, au cours desquelles l’association programme des films à caractère scientifique. Les projections se déroulent en présence de chercheurs et/ou de cinéastes dans la perspective d’un développement de la culture cinématographique et scientifique en direction des publics scolaires. Le samedi 6 octobre et le mercredi 10 octobre, je suis venu échanger au côté de Serge Dentin autour de films traitant du rapport fiction/réel, des illusion visuelles (" Qu’est ce qu’une image? “), des rapports d’échelles, de la perception, … et qui sont projetés lors de la séance, avec tout public (samedi) ou des élèves de lycée (mercredi). Une occasion aussi de parler du métier de chercheur.

Date
6 octobre 2018
Location
bibliothèque de l’Alcazar (BMVR), Marseille
Programmation
SAMSUNG GALAXY de Romain CHAMPALAUNE (France, 2015), documentaire-fiction, 7′ / LA DRÔLE DE GUERRE D’ALAN TURING de Denis VAN WAEREBEKE (France, 2014), documentaire, 60’
URL
http://pollymaggoo.org/fete-de-la-science-2018-alcazar-bmvr/
Date
10 octobre 2018
Location
bibliothèque du Merlan, Marseille
Programmation
SAMSUNG GALAXY de Romain CHAMPALAUNE (France, 2015), documentaire-fiction, 7′ / “JE TE SUIS (JAG FÖLJER DIG)” / “OS Love_EN” / “BIG DATA, BIG BUSINESS” / COPIER-CLONER / et en bonus “The Centrifuge Brain Project, A Short Film by Till Nowak”

Reinforcement effects in anticipatory smooth eye movements

Mon, 01 Oct 2018 00:00:00 +0000

Smooth Pursuit Eye Movements and Learning : Role of Motion Probability and Reinforcement Contingencies

Mon, 11 Jun 2018 00:00:00 +0000

Principles and psychophysics of Active Inference in anticipating a dynamic, switching probabilistic bias

Thu, 05 Apr 2018 14:00:00 +0000

See the final publication @
Humans adapt their anticipatory eye movements to the volatility of visual motion properties
Chloé Pasturel, Anna Montagnini, Laurent U Perrinet

Cite DOI Press Pdf Code URL bioRxiv
previous talk @ LAW, Lyon
previous talk @ INVIBE FEST, Paris
next talk @ LACONEU, Chile
next talk @ CAUSAL Kick-off, Marseille
next talk @ NeuroFrance, Marseille

Probabilities, Bayes and the Free-energy principle

Mon, 26 Mar 2018 13:00:00 +0000

Estimating and anticipating a dynamic probabilistic bias in visual motion direction

Thu, 01 Feb 2018 00:00:00 +0000

See the final publication @
Humans adapt their anticipatory eye movements to the volatility of visual motion properties
Chloé Pasturel, Anna Montagnini, Laurent U Perrinet

Cite DOI Press Pdf Code URL bioRxiv
previous talk @ LAW, Lyon
next talk @ Brain workshop, Marseille
next talk @ LACONEU, Chile
next talk @ CAUSAL Kick-off, Marseille
next talk @ NeuroFrance, Marseille

Expériences autour de la perception de la forme en art et science

Thu, 25 Jan 2018 18:30:00 +0000

Elasticité dynamique est composée des pièces Expansion, Trame et Lignes sonores. Volume hexagonal en miroir de 7 mètres de diamètre, Expansion fonctionne comme une chambre d’écho. A l’intérieur de ce volume se situe Trame. Constituée de 25 lames de miroir en rotation, cette pièce réoriente continuellement le regard. Quant à Lignes sonores, elle est formée de quatre monolithes orientés vers Expansion et émet des sons qui se réorientent en fonction du mouvement des lames. (© Etienne Rey, Adagp Paris

Quoi
Meetup Art et Neurosciences
Qui
Association NeuroNautes
Quand
25 Janvier 2018
Où
Salle des voutes campus Saint Charles
Support visuel
https://laurentperrinet.github.io/sciblog/files/2018-01-25_meetup-neuronautes.html (notes: la présentation peut mettre un certain temps à charger. Une fois que le titre apparait, appuyer sur la touche “F” pour mettre en plein écran)

ANEMO: Quantitative tools for the ANalysis of Eye MOvements

Mon, 01 Jan 2018 00:00:00 +0000

see a write-up in “Humans adapt their anticipatory eye movements to the volatility of visual motion properties”
as presented at https://eyemovements.sciencesconf.org/
get the poster
code : https://github.com/invibe/ANEMO/

Estimating and anticipating a dynamic probabilistic bias in visual motion direction

Mon, 01 Jan 2018 00:00:00 +0000

see a write-up in “Humans adapt their anticipatory eye movements to the volatility of visual motion properties”
as presented at https://eyemovements.sciencesconf.org/
get the poster
code : https://github.com/chloepasturel/AnticipatorySPEM/

Estimating and anticipating a dynamic probabilistic bias in visual motion direction

Mon, 01 Jan 2018 00:00:00 +0000

see a write-up in “Humans adapt their anticipatory eye movements to the volatility of visual motion properties”

M2APix: a bio-inspired auto-adaptive visual sensor for robust ground height estimation

Mon, 01 Jan 2018 00:00:00 +0000

Speed uncertainty and motion perception with naturalistic random textures

Mon, 01 Jan 2018 00:00:00 +0000

Unsupervised learning applied to robotic vision

Fri, 24 Nov 2017 13:00:00 +0000

see a related work describing SDPC in:
Sparse Deep Predictive Coding captures contour integration capabilities of the early visual system
Victor Boutin, Angelo Franciosini, Frédéric Chavane, Franck Ruffier, Laurent U Perrinet

PDF Cite DOI Code URL arXiv

Participation au jury

Fri, 17 Nov 2017 18:30:00 +0000

FESTIVAL INTERFÉRENCES

Cinéma Documentaire et Débat Public

FESTIVAL INTERFÉRENCES

Le collectif Scènes Publiques composé de citoyens, chercheurs et cinéastes, organise la deuxième édition du Festival Interférences du 8 au 18 novembre 2017 à Lyon. J’ai eu la chance de pouvoir participer au jury autour de documentaires avec un regard scientifiques. Une occasion aussi de parler du métier de chercheur.

Date
17 et 18 Novembre 2017
Location
Lyon
Programmation
http://www.lacitedoc.com/interferences-programmation

What dynamic neural codes for efficient visual processing

Wed, 15 Nov 2017 13:00:00 +0000

References

unsupervised learning : Perrinet (2010)
Biologically inspired computer vision
supervised learning : https://www.nature.com/articles/srep11400 (more info)
dynamics: Khoei et al (2017) - http://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1005068 ( more info )

Back to the present: dealing with delays in biological and neuromorphic systems

Wed, 28 Jun 2017 13:00:00 +0000

Tutorial on predictive coding

Wed, 28 Jun 2017 13:00:00 +0000

The flash-lag effect as a motion-based predictive shift

Thu, 26 Jan 2017 00:00:00 +0000

Press release

Visual illusions: their origin lies in prediction

Flash-Lag Effect. When a visual stimulus moves along a continuous trajectory, it may be seen ahead of its veridical position with respect to an unpredictable event such as a punctuate flash. This illusion tells us something important about the visual system: contrary to classical computers, neural activity travels at a relatively slow speed. It is largely accepted that the resulting delays cause this perceived spatial lag of the flash. Still, after several decades of debates, there is no consensus regarding the underlying mechanisms.

Researchers from the Timone Institute of Neurosciences bring a new theoretical hypothesis on a visual illusion discovered at the beginning of the 20th century. This illusion remained misunderstood while it poses fundamental questions about how our brains represent events in space and time. This study published on January 26, 2017 in the journal PLOS Computational Biology, shows that the solution lies in the predictive mechanisms intrinsic to the neural processing of information.

Visual illusions are still popular: in a quasi-magical way, they can make objects appear where they are not expected… They are also excellent opportunities to question the constraints of our perceptual system. Many illusions are based on motion, such as the flash-lag effect. Observe a luminous dot that moves along a rectilinear trajectory. If a second light dot is flashed very briefly just above the first, the moving point will always be perceived in front of the flash while they are vertically aligned.

Fig 2. Diagonal Markov chain. In the current study, the estimated state vector z = {x, y, u, v} is composed of the 2D position (x and y) and velocity (u and v) of a (moving) stimulus. (A) First, we extend a classical Markov chain using Nijhawan’s diagonal model in order to take into account the known neural delay τ: At time t, information is integrated until time t − τ, using a Markov chain and a model of state transitions p(zt|zt−δt) such that one can infer the state until the last accessible information p(zt−τ|I0:t−τ). This information can then be “pushed” forward in time by predicting its trajectory from t − τ to t. In particular p(zt|I0:t−τ) can be predicted by the same internal model by using the state transition at the time scale of the delay, that is, p(zt|zt−τ). This is virtually equivalent to a motion extrapolation model but without sensory measurements during the time window between t − τ and t. Note that both predictions in this model are based on the same model of state transitions. (B) One can write a second, equivalent “pull” mode for the diagonal model. Now, the current state is directly estimated based on a Markov chain on the sequence of delayed estimations. While being equivalent to the push-mode described above, such a direct computation allows to more easily combine information from areas with different delays. Such a model implements Nijhawan’s “diagonal model”, but now motion information is probabilistic and therefore, inferred motion may be modulated by the respective precisions of the sensory and internal representations. (C) Such a diagonal delay compensation can be demonstrated in a two-layered neural network including a source (input) and a target (predictive) layer [44]. The source layer receives the delayed sensory information and encodes both position and velocity topographically within the different retinotopic maps of each layer. For the sake of simplicity, we illustrate only one 2D map of the motions (x, v). The integration of coherent information can either be done in the source layer (push mode) or in the target layer (pull mode). Crucially, to implement a delay compensation in this motion-based prediction model, one may simply connect each source neuron to a predictive neuron corresponding to the corrected position of stimulus (x + v ⋅ τ, v) in the target layer. The precision of this anisotropic connectivity map can be tuned by the width of convergence from the source to the target populations. Using such a simple mapping, we have previously shown that the neuronal population activity can infer the current position along the trajectory despite the existence of neural delays.

Processing visual information takes time and even if these delays are remarkably short, they are not negligible and the nervous system must compensate them. For an object that moves predictably, the neural network can infer its most probable position taking into account this processing time. For the flash, however, this prediction can not be established because its appearance is unpredictable. Thus, while the two targets are aligned on the retina at the time of the flash, the position of the moving object is anticipated by the brain to compensate for the processing time: it is this differentiated treatment that causes the flash-lag effect. The researchers show that this hypothesis also makes it possible to explain the cases where this illusion does not work: for example if the flash appears at the end of the moving dot’s trajectory or if the target reverses its path in an unexpected way. In this work, the major innovation is to use the accuracy of information in the dynamics of the model. Thus, the corrected position of the moving target is calculated by combining the sensory flux with the internal representation of the trajectory, both of which exist in the form of probability distributions. To manipulate the trajectory is to change the precision and therefore the relative weight of these two information when they are optimally combined in order to know where an object is at the present time. The researchers propose to call parodiction (from the ancient Greek paron, the present) this new theory that joins Bayesian inference with taking into account neuronal delays.

Fig 5. Histogram of the estimated positions as a function of time for the dMBP model. Histograms of the inferred horizontal positions (blueish bottom panel) and horizontal velocity (reddish top panel), as a function of time frame, from the dMBP model. Darker levels correspond to higher probabilities, while a light color corresponds to an unlikely estimation. We highlight three successive epochs along the trajectory, corresponding to the flash initiated, standard (mid-point) and flash terminated cycles. The timing of the flashes are respectively indicated by the dashed vertical lines. In dark, the physical time and in green the delayed input knowing τ = 100 ms. Histograms are plotted at two different levels of our model in the push mode. The left-hand column illustrates the source layer that corresponds to the integration of delayed sensory information, including the prior on motion. The right-hand illustrates the target layer corresponding to the same information but after the occurrence of some motion extrapolation compensating for the known neural delay τ.

Despite the simplicity of this solution, parodiction has elements that may seem counter-intuitive. Indeed, in this model, the physical world is considered “hidden”, that is to say, it can only be guessed by our sensations and our experience. The role of visual perception is then to deliver to our central nervous system the most likely information despite the different sources of noise, ambiguity and time delays. According to the authors of this publication, the visual treatment would consist in a “simulation” of the visual world projected at the present time, even before the visual information can actually modulate, confirm or cancel this simulation. This hypothesis, which seems to belong to “science fiction”, is being tested with more detailed and biologically plausible hierarchical neural network models that should allow us to better understand the mysteries underlying our perception. Visual illusions have still the power to amaze us!

check_out further results on introducing anisotropies in the FLE

Tutorial: Active inference for eye movements: Bayesian methods, neural inference, dynamics

Fri, 20 Jan 2017 10:45:00 +0000

Tutorial: Sparse optimization in neural computations

Thu, 19 Jan 2017 10:45:00 +0000

Back to the present: how neurons deal with delays

Wed, 18 Jan 2017 09:00:00 +0000

Dynamic modulation of volatility by reward contingencies: effects on anticipatory smooth eye movement

Sun, 01 Jan 2017 00:00:00 +0000

Estimating and anticipating a dynamic probabilistic bias in visual motion direction

Sun, 01 Jan 2017 00:00:00 +0000

see a write-up in “Humans adapt their anticipatory eye movements to the volatility of visual motion properties”

Expériences autour de la perception de la forme en art et science

Sun, 01 Jan 2017 00:00:00 +0000

Expériences autour de la perception de la forme en art et science

La vision utilise un faisceau d’informations de différentes qualités pour atteindre une perception unifiée du monde environnant. Nous avons utilisé lors de plusieurs projets art-science (voir https://github.com/NaturalPatterns) des installations permettant de manipuler explicitement des composantes de ce flux d’information et de révéler des ambiguités dans notre perception.

Dans l’installation «Tropique», des faisceaux de lames lumineuses sont arrangés dans l’espace assombri de l’installation. Les spectateurs les observent grâce à leur interaction avec une brume invisible qui est diffusée dans l’espace. Dans «Trame Élasticité», 25 parallélépipèdes de miroirs (3m de haut) sont arrangés verticalement sur une ligne horizontale. Ces lames sont rotatives et leurs mouvements est synchronisé. Suivant la dyamique qui est imposé à ces lames, la perception de l’espace environnent fluctue conduisant à recomposer l’espace de la concentration à l’expansion, ou encore à générer un surface semblant transparente ou inverser la visons de ce qui est située devant et derrière l’observateur. Enfin, dans «Trame instabilité», nous explorons l’interaction de séries périodiques de points placées sur des surfaces transparentes. À partir de premières expérimentations utilisant une technique novatrice de sérigraphie, ces trames de points sont placées afin de faire émerger des structures selon le point de vue du spectateur. De manière générale, nous montrerons ici les différentes méthodes utilisées, comme l’utilisation des limites perceptives, et aussi les résultats apportés par une telle collaboration.

poster présenté au GDR vision 2017, Lille.
abstract: https://github.com/NaturalPatterns/2017-10-12_GDR/raw/master/2017-10-12_PerrinetRey2017abstract_168363.pdf
poster : https://github.com/NaturalPatterns/2017-10-12_GDR/raw/master/2017-10-12_PerrinetRey2017poster.pdf
poster (code) : https://github.com/NaturalPatterns/2017-10-12_GDR/blob/master/2017-10-12_PerrinetRey2017poster.ipynb
more code : https://github.com/NaturalPatterns

How the dynamics of human smooth pursuit is influenced by speed uncertainty

Sun, 01 Jan 2017 00:00:00 +0000

Voluntary tracking the moving clouds : Effects of speed variability on human smooth pursuit

Sun, 01 Jan 2017 00:00:00 +0000

Participation au jury et entretien avec Clara Delmon

Sun, 20 Nov 2016 09:00:00 +0000

RENCONTRES INTERNATIONALES SCIENCES & CINÉMAS

cinéma les Variétés

http://pollymaggoo.org/wp-content/uploads/2016/10/RISC2016_A3-724x1024.jpg

L’Association Polly Maggoo http://www.pollymaggoo.org/ programme la 10e édition des RENCONTRES INTERNATIONALES SCIENCES & CINÉMAS (RISC) à Marseille, au cours desquelles l’association programme des films à caractère scientifique. Les projections se déroulent en présence de chercheurs et/ou de cinéastes dans la perspective d’un développement de la culture cinématographique et scientifique en direction des publics scolaires. Ce dimanche 20 novembre, je suis venu échanger au côté de Serge Dentin et Caroline Renard (Maître de conférences en études cinématographiques à Aix-Marseille Université), autour de films traitant du rapport fiction/réel, de la mémoire, et du temps. Une occasion aussi de parler du métier de chercheur.

Date
25 Avril 2016
Location
cinéma les Variétés
Programmation
“addendum” court métrage de Jérôme Lefdup et “Poétique du cerveau” long métrage de Nurith Aviv

entretien avec Clara Delmon

L’occasion aussi d’un entretien avec Clara Delmon dans le cadre de son mémoire de DSAA (Diplôme Supérieur d’Arts Appliqués) mention Design Graphique à Marseille, disponible sur http://www.tonerkebab.fr/wiki/doku.php/wiki:proto-memoires:clara-delmon:clara-delmon et https://www.behance.net/claradelmon “L’échec de la perception”. Entretien avec Laurent PERRINET, rencontré à la 10e édition des RISC (Rencontres Internationales de la Science et du Cinéma) chercheur au CNRS (Centre National de la Recherche Scientifque) à l’Institut de Neurosciences de la Timone à Marseille, spécialisé en perception visuelle.

Entretien

Entretien avec Laurent PERRINET, rencontré à la 10e édition des RISC (Rencontres Internationales de la Science et du Cinéma)chercheur au CNRS (Centre National de la Recherche Scientifque) à l’Institut de Neurosciences de la Timone à Marseille, spécialisé en perception visuelle. 1 / Vous faites les Rencontres Internationales de la Science et du Cinéma depuis quelques années déjà, la science est de plus en plus présente dans les arts, comme avec certains courants artistiques comme l’Art Cinétique ou l’Art Optique, pourquoi pensez-vous qu’une telle interaction est présente à notre époque ? J’ai la sensation qu’il y a un intérêt grandissant pour l’étude du cerveau dans le domaine des arts et de la communication. À votre avis, pourquoi un tel besoin de donner de la poésie au cerveau, (ou du cerveau à la poésie) ? En effet, je participe aux Rencontres Internationales de la Science et du Cinéma depuis déjà deux ans déjà. Le but est simplement de rentrer en contact avec le grand public et partager ma passion pour l’étude de la perception visuelle et du cerveau plus généralement. J’attache beaucoup d’importance à ces rencontres car elle nous permettent aussi de mieux comprendre l’intérêt public pour le cerveau dans son fonctionnement normal mais aussi dans ses dysfonctions. C’est aussi une source d’inspiration pour savoir dans quelle direction il est important de plus creuser nos recherches. 2 / Vous travaillez notamment avec Etienne Rey sur des installations interactives, où la place et le ressenti du spectateur font l’œuvre. La vue est alors votre outil de travail essentiel, pourquoi ce sens est-il plus sensiblement exposé à l’expérience de l’illusion ? Qu’apporte l’expérience perceptive au spectateur ? En effet, en parallèle de ces actions de partage avec le public, je travaille aussi avec Étienne Rey, un artiste plasticien résidant à la Friche Belle de mai à Marseille. Notre travail s’articule autour de l’ambiguïté de l’expérience perceptive du spectateur. Est-il en train de se regarder lui-même dans un miroir ou le miroir est-il lui-même une œuvre d’art ? 3 / Les graphistes d’aujourd’hui ont tendance à brouiller les codes, déformer, rendre illisible, en bref utiliser la complexité de l’image pour en complexifier la lecture. Pensez-vous qu’une image où on ne voit rien puisse en dire plus ? C’est-à-dire, pensez-vous qu’en accentuant l’acte de lecture, le designer graphique amène à son lecteur une activité qui consisterait non plus seulement à déchiffrer un message (présentation d’un évènement, publicité…) mais à s’observer lui-même en tant que lecteur ? Le travail du système visuel est de décoder les messages ambigus qui lui sont délivrés par la rétine. En créant des oeuvres graphiques qui brouillent les codes et en les déformants, on oblige le cerveau à avoir une démarche plus active par rapport au décodage du message fourni. Tout le travail du graphiste consiste donc à indiquer ce processus actif tout en conservant l’intégrité du message. 4 / Ces images utilisent le plus souvent des trames, des rayures, des distorsions qui captent notre attention. Pourquoi notre œil est plus attiré par ce qui est en mouvement ? Notre oeil est attiré par tout ce qui est surprenant. Cela inclut donc tout ce qui ne peut pas arriver par hasard comme des bouts de lignes alignés. Mais notre oeil est aussi attiré par ce qu’il trouve surprenant de ne pas pouvoir prédire, comme par exemple des lignes qui sont légèrement décalées ou un objet qui est en mouvement. Un processus actif s’établit alors pour comprendre cette stimulation avec de nouvelles hypothèses. 5 / Il semblerait que notre œil soit attiré par des formes, des couleurs, des objets particuliers qui diffèrent pour chacun d’entre nous. Il y a dans la perception visuelle des notions de pulsions, de désirs, un besoin de voir, comment expliquez-vous que le cerveau soit sans cesse en quête et en attente d’images ? Pour moi la perception visuelle n’est pas juste un cinéma à l’intérieur du cerveau ! C’est un processus vital qui sert à mieux interagir avec l’environnement. À ce titre il est toujours en quête de nouvelles images pour améliorer ce rapport au monde que l’on construit sans cesse. Il faut voir par exemple comment un enfant manipule des objets. Il le fait pour mieux comprendre les images de ces objets et la façon dont il peut interagir avec le monde. 6 / On l’a vu notamment dans le film Poétique du Cerveau de Nurith Aviv diffusé à cette 10e édition du RISC, la mémoire et l’expérience visuelle de chacun influent sur notre perception. Vous avez parlé d’ « autopoïèse », cela signifie-t-il que nous voyons tous les choses différemment ? Est-ce qu’un système de données pré-établies est formé par notre cerveau au cours de nos années de vie et sert de « lunettes » pour voir le monde ? La perception visuelle est un processus actif de compréhension d’une représentation du monde. Elle est donc propre à chacun car elle se construit avec notre expérience et la façon dont nous interagissons avec le monde visuel. Mais ce monde est le même pour chaque individu et nous partageons les mêmes codes et les mêmes systèmes pour apprendre à nous représenter ce monde. Nos « lunettes » sont donc propres à notre expérience mais elles ont sûrement beaucoup en commun entre individus. 7 / Peut-on enlever ces lunettes? Des expérimentations optiques comme celles d’Etienne Rey ou celles de designers graphiques conduisants une réflexion sur notre vision peuvent-elles amener une nouvelle expérience visuelle remettant en question notre activité perceptive? On ne pourra jamais enlever ses lunettes ! Pour voir, on est obligé d’interagir avec le monde. Toute perception est une interprétation et ne pourra jamais être absolue : le monde physique nous est « caché » par la médiation avec nos sens, qui par essence sont toujours ambigus. Par contre, ces expérimentations optiques permettent de mieux comprendre les limites de cet aspect de notre perception visuelle et ainsi de donner un accès plus direct avec cette conscience du monde visuel. 8 / Le mécanisme d’anticipation mis à l’œuvre dans notre cerveau faisant intervenir notre mémoire et notre imagination dans la constitution d’une image stable ne nous éloigne-t-il pas trop de la réalité ? Il y a une « imagination anticipative » et une confirmation de ce réel par la mise en tension de nos projections avec la situation présente, ce système n’est-il pas proche de celui de l’illusion d’optique ? Au contraire je pense que ces mécanismes d’anticipation sont plus proches de la réalité que celle qu’on imagine être la « vraie » réalité. Par exemple on ne voit que dans un spectre de lumière très défini alors que les objets visuels existent potentiellement par exemple dans la lumière ultraviolette. Cette réalité là n’est visible qu’avec des appareils spécialisés. Pour moi la seule réalité qui vaille, c’est la réalité de la construction qui est opérée dans la perception visuelle et non la réalité généralement établie du monde physique externe à nos sens. En comprenant mieux les mécanismes qui nous permettent de simuler cette réalité physique externe, nous sommes plus objectifs par rapport aux limites de notre connaissance du monde. À ce titre je pense que ces mécanismes d’anticipation sont donc plus proches de la réalité par rapport à une réalité objective telle qu’on se la représente traditionnellement.

The flash-lag effect as a motion-based predictive shift

Thu, 03 Nov 2016 13:00:00 +0000

Based on Perrinet et al, 2012 and Khoei et al, 2013
See a followup in Khoei et al, 2017

Reinforcement contingencies modulate anticipatory smooth eye movements

Thu, 03 Nov 2016 00:00:00 +0000

Differential response of the retinal neural code with respect to the sparseness of natural images

Tue, 01 Nov 2016 00:00:00 +0000

Sparse coding of images in the retina follows regular statistics at the global, not the local scale

See supplementray code.

How does the retina respond to stimuli with different sparseness?

This stimulus is generated simply using the Motion Clouds library by defining a sparse draw of events:

import numpy as np
import MotionClouds as mc
import matplotlib.pyplot as plt
# PARAMETERS
seed = 2042
np.random.seed(seed=seed)
N_sparse = 5
sparse_base = 2.e5
sparseness = np.logspace(-1, 0, N_sparse, base=sparse_base, endpoint=True)
print(sparseness)
# TEXTON
N_X, N_Y, N_frame = 256, 256, 1
fx, fy, ft = mc.get_grids(N_X, N_Y, 1)
mc_i = mc.envelope_gabor(fx, fy, ft, sf_0=0.05, B_sf=0.025, B_theta=np.inf)
values = np.random.randn(N_X, N_Y, N_frame)
chance = np.argsort(-np.abs(values.ravel()))
chance = np.array(chance, dtype=np.float)
chance /= chance.max()
chance = chance.reshape((N_X, N_Y, N_frame))
fig, axs = plt.subplots(1, N_sparse, figsize=(fig_width, fig_width/N_sparse))
for i_ax, l0_norm in enumerate(sparseness):
 threshold = 1 - l0_norm
 mask = np.zeros_like(chance)
 mask[chance > threshold] = 1.
 im = 2*mc.rectif(mc.random_cloud(mc_i, events=mask*values))-1
 axs[i_ax].imshow(im[:, :, 0], vmin=-1, vmax=1, cmap=plt.gray())
 #axs[i_ax].text(9, 80, r'$n=%.0f\%%$' % (noise*100), color='white', fontsize=10)
 axs[i_ax].text(4, 40, r'$\epsilon=%.0e$' % l0_norm, color='white', fontsize=8)
 axs[i_ax].set_xticks([])
 axs[i_ax].set_yticks([])
plt.tight_layout()
fig.subplots_adjust(hspace = .0, wspace = .0, left=0.0, bottom=0., right=1., top=1.)

Biologically-inspired characterization of sparseness in natural images

Wed, 26 Oct 2016 13:00:00 +0000

Categorization of microscopy images using a biologically inspired edge co-occurrences descriptor

Wed, 26 Oct 2016 13:00:00 +0000

See a followup in
Edge co-occurrences can account for rapid categorization of natural versus animal images
Laurent U Perrinet, James A Bednar

Cite DOI Code URL HAL

Eye movements as a model for active inference

Thu, 13 Oct 2016 10:00:00 +0000

See the final publication @
Humans adapt their anticipatory eye movements to the volatility of visual motion properties
Chloé Pasturel, Anna Montagnini, Laurent U Perrinet

Cite DOI Press Pdf Code URL bioRxiv
next talk @ INVIBE FEST, Paris
next talk @ Brain workshop, Marseille
next talk @ LACONEU, Chile
next talk @ CAUSAL Kick-off, Marseille
next talk @ NeuroFrance, Marseille

Biologically-inspired characterization of sparseness in natural images

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

Operant reinforcement versus reward expectancy: effects on anticipatory eye movements

Thu, 01 Sep 2016 00:00:00 +0000

Modelling the dynamics of cognitive processes: from the Bayesian brain to particles

Thu, 07 Jul 2016 13:00:00 +0000

See a followup in Perrinet et al, 2012

Les illusions visuelles, un révélateur du fonctionnement de notre cerveau

Thu, 28 Apr 2016 18:30:00 +0000

Les illusions visuelles, un révélateur du fonctionnement de notre cerveau

Cycle de conférences “Tous connectés”, Bibliothèque de Méjanes

Date
28 Avril 2016
Location
Bibliothèque de Méjanes
Visuels
HTML

Les illusions visuelles, un révélateur du fonctionnement de notre cerveau

Mon, 25 Apr 2016 09:00:00 +0000

Les illusions visuelles, un révélateur du fonctionnement de notre cerveau

Cinésciences, collège Clair Soleil

L’Association Polly Maggoo http://www.pollymaggoo.org/ met en place tout le long de l’année, des actions de culture scientifique et artistique en direction des collèges et des lycées, les Cinésciences, au cours desquelles l’association programme des films à caractère scientifique, au sein d’établissements scolaires. Les projections se déroulent en présence de chercheurs et/ou de cinéastes dans la perspective d’un développement de la culture cinématographique et scientifique en direction des publics scolaires.

Date
25 Avril 2016
Location
collège Clair Soleil, Marseille
Visuels
HTML

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

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

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

Fri, 01 Jan 2016 00:00:00 +0000

see a follow-up in this poster
This is a followup in Perrinet et al, 2012

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

Fri, 01 Jan 2016 00:00:00 +0000

Compensation of oculomotor delays in the visual system's network

Fri, 01 Jan 2016 00:00:00 +0000

Effects of motion predictability on anticipatory and visually-guided eye movements: a common prior for sensory processing and motor control?

Fri, 01 Jan 2016 00:00:00 +0000

Modeling the effect of dynamic contingencies on anticipatory eye movements

Fri, 01 Jan 2016 00:00:00 +0000

Push-Pull Receptive Field Organization and Synaptic Depression: Mechanisms for Reliably Encoding Naturalistic Stimuli in V1

Fri, 01 Jan 2016 00:00:00 +0000

Voluntary tracking the moving clouds : Effects of speed variability on human smooth pursuit

Fri, 01 Jan 2016 00:00:00 +0000

Voluntary tracking the moving clouds : Effects of speed variability on human smooth pursuit

Fri, 01 Jan 2016 00:00:00 +0000

Voluntary tracking the moving clouds : Effects of speed variability on human smooth pursuit

Fri, 01 Jan 2016 00:00:00 +0000

Motion-based prediction with neuromorphic hardware

Thu, 05 Nov 2015 13:00:00 +0000

Introduction

Sun, 01 Nov 2015 00:00:00 +0000

Mindmap of the book contents. Cross-links between chapters have been indicated as thin lines.

Sparse Models for Computer Vision

Sun, 01 Nov 2015 00:00:00 +0000

Appeared in this book:
Gabriel Cristóbal, Laurent U Perrinet, Matthias S Keil (2015). Biologically Inspired Computer Vision.
Cite DOI Code URL

Visual motion processing and human tracking behavior

Sun, 01 Nov 2015 00:00:00 +0000

Appeared in this book:
Gabriel Cristóbal, Laurent U Perrinet, Matthias S Keil (2015). Biologically Inspired Computer Vision.
Cite DOI Code URL

Motion-based prediction with neuromorphic hardware

Wed, 07 Oct 2015 13:00:00 +0000

Biologically Inspired Computer Vision

Wed, 07 Oct 2015 00:00:00 +0000

Biologically Inspired Computer vision

Biologically Inspired Computer Vision

As state-of-the-art imaging technologies becomes more and more advanced, yielding scientific data at unprecedented detail and volume, the need to process and interpret all the data has made image processing and computer vision also increasingly important. Sources of data that have to be routinely dealt with today applications include video transmission, wireless communication, automatic fingerprint processing, massive databanks, non-weary and accurate automatic airport screening, robust night vision to name a few. Multidisciplinary inputs from other disciplines such as computational neuroscience, cognitive science, mathematics, physics and biology will have a fundamental impact in the progress of imaging and vision sciences. One of the advantages of the study of biological organisms is to devise very diﬀerent type of computational paradigms beyond the usual von Neumann e.g. by implementing a neural network with a high degree of local connectivity.

This is a comprehensive and rigorous reference in the area of biologically motivated vision sensors. The study of biologically visual systems can be considered as a two way avenue. On the one hand, biological organisms can provide a source of inspiration for new computational efficient and robust vision models and on the other hand machine vision approaches can provide new insights for understanding biological visual systems. Along the different chapters, this book covers a wide range of topics from fundamental to more specialized topics, including visual analysis based on a computational level, hardware implementation, and the design of new more advanced vision sensors. The last two sections of the book provide an overview of a few representative applications and current state of the art of the research in this area. This makes it a valuable book for graduate, Master, PhD students and also researchers in the field. This book contains 17 chapters that have been organized in four different parts:

Fundamentals
Sensing
Modeling
Applications
Notable chapters in the book:
Anna Montagnini, Laurent U Perrinet, Guillaume S Masson (2015). Visual motion processing and human tracking behavior. Biologically Inspired Computer Vision.
Cite DOI Pdf URL arXiv

Laurent U Perrinet (2015). Sparse Models for Computer Vision. Biologically Inspired Computer Vision.
Cite DOI Code URL arXiv

See the Table of contents.

Anticipatory smooth eye movements and reinforcement

Tue, 01 Sep 2015 00:00:00 +0000

Sparse Coding Of Natural Images Using A Prior On Edge Co-Occurences

Sat, 01 Aug 2015 00:00:00 +0000

A Mathematical Account of Dynamic Texture Synthesis for Probing Visual Perception

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

See a followup in
Jonathan Vacher, Andrew Isaac Meso, Laurent U Perrinet, Gabriel Peyré (2018). Bayesian Modeling of Motion Perception using Dynamical Stochastic Textures. Neural Computation.
PDF Cite DOI URL arXiv

Anticipating a moving target: role of vision and reinforcement

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

Anticipatory smooth eye movements as operant behavior

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

Biologically Inspired Dynamic Textures for Probing Motion Perception

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

Talk @ NeurIPS: https://neurips.cc/Conferences/2015/Schedule?showEvent=5418
See a followup in
Jonathan Vacher, Andrew Isaac Meso, Laurent U Perrinet, Gabriel Peyré (2018). Bayesian Modeling of Motion Perception using Dynamical Stochastic Textures. Neural Computation.
PDF Cite DOI URL arXiv

Edge co-occurrences can account for rapid categorization of natural versus animal images

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

A study of how people can quickly spot animals by sight is helping uncover the workings of the human brain.

Scientists examined why volunteers who were shown hundreds of pictures - some with animals and some without - were able to detect animals in as little as one-tenth of a second. They found that one of the first parts of the brain to process visual information - the primary visual cortex - can control this fast response. More complex parts of the brain are not required at this stage, contrary to what was previously thought.

The probability distribution function $p(\psi, \theta)$ represents the distribution of the different geometrical arrangements of edges’ angles, which we call a chevron map. We show here the histogram for non-animal natural images, illustrating the preference for co-linear edge configurations. For each chevron configuration, deeper and deeper red circles indicate configurations that are more and more likely with respect to a uniform prior, with an average maximum of about $3$ times more likely, and deeper and deeper blue circles indicate configurations less likely than a flat prior (with a minimum of about $0.8$ times as likely). Conveniently, this chevron map shows in one graph that non-animal natural images have on average a preference for co-linear and parallel edges, (the horizontal middle axis) and orthogonal angles (the top and bottom rows),along with a slight preference for co-circular configurations (for $\psi=0$ and $\psi=\pm \frac \pi 2$, just above and below the central row). We compare chevron maps in different image categories in Figure~3.

As for Figure 2, we show the probability of edge configurations as chevron maps for two databases (man-made, animal). Here, we show the ratio of histogram counts relative to that of the non-animal natural image dataset. Deeper and deeper red circles indicate configurations that are more and more likely (and blue respectively less likely) with respect to the histogram computed for non-animal images. In the left plot, the animal images exhibit relatively more circular continuations and converging angles (red chevrons in the central vertical axis) relative to non-animal natural images, at the expense of co-linear, parallel, and orthogonal configurations (blue circles along the middle horizontal axis). The man-made images have strikingly more co-linear features (central circle), which reflects the prevalence of long, straight lines in the cage images in that dataset. We use this representation to categorize images from these different categories in Figure~4.

Classification results. To quantify the difference in low-level feature statistics across categories (see Figure3, we used a standard Support Vector Machine (SVM) classifier to measure how each representation affected the classifier’s reliability for identifying the image category. For each individual image, we constructed a vector of features as either (FO) the histogram of first-order statistics as the histogram of edges’ orientations, (CM) the chevron map subset of the second-order statistics, (i.e., the two-dimensional histogram of relative orientation and azimuth; see Figure 2 ), or (SO) the full, four-dimensional histogram of second-order statistics (i.e., all parameters of the edge co-occurrences). We gathered these vectors for each different class of images and report here the results of the SVM classifier using an F1 score (50% represents chance level). While it was expected that differences would be clear between non-animal natural images versus laboratory (man-made) images, results are still quite high for classifying animal images versus non-animal natural images, and are in the range reported by\citet{Serre07} (F1 score of 80% for human observers and 82% for their model), even using the CM features alone. We further extend this results to the psychophysical results of Serre et al. (2007) in Figure 5.

To see whether the patterns of errors made by humans are consistent with our model, we studied the second-order statistics of the 50 non-animal images that human subjects in Serre et al. (2007) most commonly falsely reported as having an animal. We call this set of images the false-alarm image dataset. (Left) This chevron map plot shows the ratio between the second-order statistics of the false-alarm images and the full non-animal natural image dataset, computed as in Figure 3 (left). Just as for the images that actually do contain animals (Figure~3, left), the images falsely reported as having animals have more co-circular and converging (red chevrons) and fewer collinear and orthogonal configurations (blue chevrons). (Right) To quantify this similarity, we computed the Kullback-Leibler distance between the histogram of each of these images from the false-alarm image dataset, and the average histogram of each class. The difference between these two distances gives a quantitative measure of how close each image is to the average histograms for each class. Consistent with the idea that humans are using edge co-occurences to do rapid image categorization, the 50 non-animal images that were worst classified are biased toward the animal histogram ($d’ = 1.04$), while the 550 best classified non-animal images are closer to the non-animal histogram.

Communiqué de presse INSB : Comment nait la première impression d’une scène visuelle

communiqué de presse

En modélisant notre capacité à distinguer un animal dans une scène visuelle, des chercheurs de l’Institut de Neurosciences de la Timone et de l’Université d’Edinburgh lèvent le voile sur certains des mystères de la perception visuelle. Ils démontrent que la classification très rapide par le cerveau d’une image contenant ou non un animal, est possible à un niveau de représentation relativement primitif à partir de régularités statistiques simples, et non, comme cela est généralement admis, après une longue série d’analyses visuelles de plus en plus abstraites. Cette étude est publiée dans la revue Scientific Reports.

Classifier une image, par exemple en décidant si elle contient ou non un animal, est une des fonctions de base du cerveau. Dans le royaume animal, on comprend aisément qu’elle constitue une fonction vitale aussi bien pour des prédateurs que pour leurs proies. Les mécanismes sous-jacents sont de plus en plus étudiés aussi bien dans le domaine des systèmes d’intelligence artificielle que dans celui des Neurosciences, mais ils restent encore bien mystérieux pour les chercheurs. En effet, si les réseaux d’ordinateurs les plus avancés peuvent aujourd’hui aisément calculer numériquement des quantités phénoménales de données à partir de bases de données pharaoniques, même les systèmes les plus avancés de classification d’images n’égalent pas encore les capacités d’un jeune enfant!

Laurent Perrinet de l’Institut de Neurosciences de la Timone à Marseille et James Bednar de l’université d’Edinburgh en Écosse, ont modélisé la façon dont nous pouvons classer différentes catégories d’images. Leur l’objectif initial était de différencier des scènes visuelles naturelles de scènes d’intérieur, mais ils ont pu montrer que ce système simple de classification permettait aussi de détecter en une fraction de seconde des animaux dans une image. En effet, ils ont mis en évidence qu’un niveau de performance comparable à celui d’observateurs humains est atteignable tout en utilisant un niveau de représentation très primitif, et non, comme cela est généralement admis, après une longue série d’analyses visuelles de plus en plus abstraites (détection des yeux et des membres, puis de la tête et du corps, etc…).

Cette représentation primitive se base sur les modèles existants de représentation des images dans les aires visuelles de bas niveau des primates. On estime en effet que dans le cortex visuel primaire les images visuelles sont représentées dans l’activité neurale comme l’organisation de contours élémentaires, à la manière d’un peintre qui dessine une silhouette en une série de coups de pinceau. Une des innovations majeures dans cette étude consiste à simplement utiliser la fréquence des configurations entre des paires de contours élémentaires comme représentation d’entrée utilisée pour le classificateur.

Pour arriver à ce résultat, les chercheurs ont utilisé des modèles mathématiques de la représentation des images dans le cortex visuel primaire et en particulier les inter-relations entre des éléments de contours voisins. En étudiant les résultats de l’analyse, on note que dans les images naturelles, des contours parallèles sont observés majoritairement, signe que les contours et textures présents dans les images contiennent en majorité des alignements. C’est encore plus vrai dans les environnements artificiels comme dans une scène d’intérieur (par exemple un bureau) où les bords francs dominent. On montre aussi que les objets co-circulaires (c’est-à-dire des configurations symétriques) sont aussi relativement plus présents que des configurations aléatoires.

La principale nouveauté de cette étude est de montrer que les images contenant un animal (quelle que soit son espèce ou sa position dans l’image) contiennent sensiblement plus de configurations symétriques. Cette différence suffit pour expliquer le niveau de performance de classification chez les humains quand on leur présente de telles scènes de façon très brève.

Pour valider cette hypothèse, les chercheurs ont alors utilisé des données précédemment enregistrées dans lesquelles des volontaires regardaient et classifiaient des centaines d’images. En utilisant cette représentation primitive, ils ont mis en évidence qu’un programme très simple pouvait facilement classifier les images comme contenant ou non un animal, sans avoir besoin d’une connaissance plus élaborée sur les caractéristiques de l’animal comme sa position, sa taille ou son orientation sur l’image.

Cette découverte peut accélérer le développement de requêtes via des images dans les moteurs de recherche, comme Google et Facebook, car elle permet une classification simple et robuste grâce à des caractéristiques statistiques de bas niveau basées sur la géométrie des objets. Elle pourrait ainsi améliorer l’efficacité de tels algorithmes. Toutefois, et comme cela a été mis en évidence dans la psychophysique humaine, les catégories visuelles doivent être visuellement assez distinctes: ce traitement rapide ne permet pas, par exemple, de distinguer une scène de montagne d’une scène de mer. De manière surprenante, les chercheurs ont montré que lorsque les humains se trompent en classifiant de manière erronée une image comme contenant un animal, le programme a tendance à se tromper de la même façon! En utilisant des modèles mathématiques, on peut donc imaginer synthétiser des images d’animaux qui en fait, n’en contiendraient pas. Ces “chimères” seront sûrement très utiles pour percer encore plus les mystères du système visuel.

Dans le futur, l’extension de cette représentation calculée sur l’ensemble de l’image pourrait être améliorée en la couplant à des processus de classification locaux permettant de déterminer par exemple la position de l’objet à classifier et de segmenter progressivement la figure du fond afin de diminuer ainsi les distractions.

TÀ partir d’une image naturelle (en haut à gauche), les chercheurs ont déterminé la façon la plus efficace de la représenter comme une succession de contours élémentaires orientés. Sur cet exemple, l’image est décomposée en contours élémentaires (marqués en rouge) et l’image correspond à sa reconstruction à partir de cette représentation, gage d’une représentation correcte de l’image. Le schéma (en bas à gauche) décrit alors les relations géométriques pour chaque paire de contours élémentaires (dénotés ici A et B) et en particulier la différence entre leurs orientations (cette différence est nulle pour des contours parallèles) ainsi que leur différence d’azimuth. Une valeur nulle de cette dernière indiquant une symétrie, c’est-à-dire que ces contours sont co-circulaires. On peut alors compiler les statistiques des différentes configurations possibles sur des bases de données de 600 images contenant ou ne contenant pas d’animal. On voit alors que les images contenant un animal présentent relativement moins de configurations parallèles (disques bleus, jusqu’à 50% de moins) et plus de configurations co-circulaires, c’est à dire le long de l’axe vertical médian (disques rouges, jusqu’à 20% d’occurences en plus). Cette différence, aussi tenue soit elle, permet alors de classifier une image pour permettre de deviner si elle contient ou non un animal.

Eye tracking a self-moved target with complex hand-target dynamics

Thu, 01 Jan 2015 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

Spatiotemporal tuning of retinal ganglion cells dependent on the context of signal presentation

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

Follow-up paper
Cesar U Ravello, Laurent U Perrinet, Maria-José Escobar, Adrián G Palacios (2019). Speed-Selectivity in Retinal Ganglion Cells is Sharpened by Broad Spatial Frequency, Naturalistic Stimuli. Scientific Reports.
Cite DOI Press URL HAL

Active inference, eye movements and oculomotor delays

Tue, 16 Dec 2014 00:00:00 +0000

Active Inference, tracking eye movements and oculomotor delays

Tracking eye movements face a difficult task: they have to be fast while they suffer inevitable delays. If we focus on area MT of humans for instance as it is crucial for detecting the motion of visual objects, sensory information coming to this area is already lagging some 35 milliseconds behind operational time – that is, it reflects some past information. Still the fastest action that may be done there is only able to reach the effector muscles of the eyes some 40 milliseconds later – that is, in the future. The tracking eye movement system is however able to respond swiftly and even to anticipate repetitive movements (e.g. Barnes et al, 2000 – refs in manuscript). In that case, it means that information in a cortical area is both predicted from the past sensory information but also anticipated to give an optimal response in the future. Even if numerous models have been described to model different mechanisms to account for delays, no theoretical approach has tackled the whole problem explicitly. In several areas of vision research, authors have proposed models at different levels of abstractions from biomechanical models, to neurobiological implementations (e.g. Robinson, 1986) or Bayesian models. This study is both novel and important because – using a neurobiologically plausible hierarchical Bayesian model – it demonstrates that using generalized coordinates to finesse the prediction of a target’s motion, the model can reproduce characteristic properties of tracking eye movements in the presence of delays. Crucially, the different refinements to the model that we propose – pursuit initiation, smooth pursuit eye movements, and anticipatory response – are consistent with the different types of tracking eye movements that may be observed experimentally.

(A) This figure reports the response of predictive processing during the simulation of pursuit initiation, using a single sweep of a visual target, while compensating for sensory motor delays. Here, we see horizontal excursions of oculomotor angle (red line). One can see clearly the initial displacement of the target that is suppressed by action after a few hundred milliseconds. Additionally, we illustrate the effects of assuming wrong sensorimotor delays on pursuit initiation. Under pure sensory delays (blue dotted line), one can see clearly the delay in sensory predictions, in relation to the true inputs. With pure motor delays (blue dashed line) and with combined sensorimotor delays (blue line) there is a failure of optimal control with oscillatory fluctuations in oculomotor trajectories, which may become unstable. (B) This figure reports the simulation of smooth pursuit when the target motion is hemi-sinusoidal, as would happen for a pendulum that would be stopped at each half cycle left of the vertical (broken black lines in the lower-right panel). We report the horizontal excursions of oculomotor angle. The generative model used here has been equipped with a second hierarchical level that contains hidden states, modeling latent periodic behavior of the (hidden) causes of target motion. With this addition, the improvement in pursuit accuracy apparent at the onset of the second cycle of motion is observed (pink shaded area), similar to psychophysical experimentss.

Une Approche Computationnelle de La Dépendance Au Mouvement Du Codage de La Position Dans La Système Visuel

Mon, 06 Oct 2014 00:00:00 +0000

Beyond simply faster and slower: exploring paradoxes in speed perception

Fri, 22 Aug 2014 00:00:00 +0000

Edge co-occurrences are sufficient to categorize natural versus animal images

Fri, 22 Aug 2014 00:00:00 +0000

see a follow-up:
Laurent U Perrinet, James A Bednar (2015). Edge co-occurrences can account for rapid categorization of natural versus animal images. Scientific Reports.
Cite DOI Code URL HAL

Motion-based prediction model for flash lag effect

Fri, 22 Aug 2014 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

The characteristics of microsaccadic eye movements varied with the change of strategy in a match-to-sample task

Fri, 22 Aug 2014 00:00:00 +0000

Signature of an anticipatory response in area V1 as modeled by a probabilistic model and a spiking neural network

Sun, 06 Jul 2014 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

Figure 4: Rasterplot of input and output spikes. The raster plot from excitatory neurons is ordered according to their position. Each input spike is a blue dot and each output spike is a black dot. While input is scattered during blanking periods (Figure 1), the network output shows shows some tuned activity during the blank (compare with the activity before visual stimulation). To decode such patterns of activity we used a maximum-likelihood estimation technique based on the tuning curve of the neurons.

Signature of an anticipatory response in area V1 as modeled by a probabilistic model and a spiking neural network

Fri, 25 Apr 2014 00:00:00 +0000

see Kaplan and al, 2014

Codage prédictif dans les transformations visuo-motrices

Thu, 17 Apr 2014 00:00:00 +0000

Laurent U Perrinet (2014). 2014-04-17: Soutenance d'habilitation à diriger des recherches (HDR).
Voir une extension dans
Laurent U Perrinet (2020). La vision comme processus prédictif: Une approche bio-mimétique.
PDF Cite Code URL PDF

WP5 - Demo 1.3 : Spiking model of motion-based prediction

Thu, 20 Mar 2014 13:00:00 +0000

Axonal delays and on-time control of eye movements

Fri, 10 Jan 2014 00:00:00 +0000

A Simple Model of Orientation Encoding Accounting For Multivariate Neural Noise

Wed, 01 Jan 2014 00:00:00 +0000

see a follow-up in this publication

A Simple Model of Orientation Encoding Accounting For Multivariate Neural Noise

Wed, 01 Jan 2014 00:00:00 +0000

see a follow-up in this publication

Dynamic Textures For Probing Motion Perception

Wed, 01 Jan 2014 00:00:00 +0000

See a followup in
Jonathan Vacher, Andrew Isaac Meso, Laurent U Perrinet, Gabriel Peyré (2018). Bayesian Modeling of Motion Perception using Dynamical Stochastic Textures. Neural Computation.
PDF Cite DOI URL arXiv

On the nature of anticipatory eye movements and the factors affecting them

Wed, 01 Jan 2014 00:00:00 +0000

Relationship between natural image statistics and lateral connectivity in the primary visual cortex

Wed, 01 Jan 2014 00:00:00 +0000

see a follow-up:
Laurent U Perrinet, James A Bednar (2015). Edge co-occurrences can account for rapid categorization of natural versus animal images. Scientific Reports.
Cite DOI Code URL HAL

Demo 1, Task4: Implementation of models showing emergence of cortical fields and maps

Tue, 26 Nov 2013 00:00:00 +0000

Together with Bernhard Kaplan, we talked about how we aim at “compiling” a predictive motion-based approach as a spiking neural networks and then as a parallel wafer systems in the BrainscaleS project (Demo 1, Task4).
(private to the consortium: https://brainscales.kip.uni-heidelberg.de/internal/jss/AttendMeeting?m=showMeetingInfoPage&meetingID=52 https://brainscales.kip.uni-heidelberg.de/internal/jss/AttendMeeting?m=showAgenda&meetingID=52 including copies of the slides)

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” >}}

Edge co-occurrences and categorizing natural images

Fri, 05 Jul 2013 13:00:00 +0000

See a followup in
Edge co-occurrences can account for rapid categorization of natural versus animal images
Laurent U Perrinet, James A Bednar

Cite DOI Code URL HAL

Why methods and tools are the key to artificial brain-like systems

Thu, 21 Mar 2013 00:00:00 +0000

see also:
PyNN: A Common Interface for Neuronal Network Simulators
Andrew P Davison, Daniel Bruderle, Jochen Eppler, Jens Kremkow, Eilif Muller, Dejan Pecevski, Laurent U Perrinet, Pierre Yger

PDF Cite Project DOI URL HAL

Active inference, eye movements and oculomotor delays

Tue, 01 Jan 2013 00:00:00 +0000

Active inference, eye movements and oculomotor delays

Tue, 01 Jan 2013 00:00:00 +0000

Advances in Texture Analysis for Emphysema Classification

Tue, 01 Jan 2013 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

How and why do image frequency properties influence perceived speed?

Tue, 01 Jan 2013 00:00:00 +0000

Measuring speed of moving textures: Different pooling of motion information for human ocular following and perception

Tue, 01 Jan 2013 00:00:00 +0000

Motion-based prediction and development of the response to an 'on the way' stimulus

Tue, 01 Jan 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

Smooth Pursuit and Visual Occlusion: Active Inference and Oculomotor Control in Schizophrenia

Fri, 26 Oct 2012 00:00:00 +0000

Pattern discrimination for moving random textures: Richer stimuli are more difficult to recognize

Wed, 01 Aug 2012 00:00:00 +0000

Edge statistics in natural images versus laboratory animal environments: implications for understanding lateral connectivity in V1

Thu, 10 May 2012 13:00:00 +0000

See a followup in
Edge co-occurrences can account for rapid categorization of natural versus animal images
Laurent U Perrinet, James A Bednar

Cite DOI Code URL HAL

Apparent motion in V1 - Probabilistic approaches

Fri, 23 Mar 2012 13:00:00 +0000

MotionClouds: Model-based stimulus synthesis of natural-like random textures for the study of motion perception

Thu, 22 Mar 2012 14:00:00 +0000

The behavioral receptive field underlying motion integration for primate tracking eye movements

Wed, 21 Mar 2012 00:00:00 +0000

Motion Clouds: Model-based stimulus synthesis of natural-like random textures for the study of motion perception

Wed, 14 Mar 2012 00:00:00 +0000

MotionClouds are random dynamic stimuli optimized to study motion perception.

Web-site
Source code using Python.
37 citations on Google Scholar (last updated 22/10/2021)
Supplementary information
Follow-up paper
Jonathan Vacher, Andrew Isaac Meso, Laurent U Perrinet, Gabriel Peyré (2018). Bayesian Modeling of Motion Perception using Dynamical Stochastic Textures. Neural Computation.
PDF Cite DOI URL arXiv

Jonathan Vacher, Andrew Isaac Meso, Laurent U Perrinet, Gabriel Peyré (2015). Biologically Inspired Dynamic Textures for Probing Motion Perception. Advances in Neural Information Processing Systems.
Cite Pdf PDF arXiv
This library was notably used in the following paper
Claudio Simoncini, Laurent U Perrinet, Anna Montagnini, Pascal Mamassian, Guillaume S Masson (2012). More is not always better: dissociation between perception and action explained by adaptive gain control. Nature Neuroscience.
PDF Cite DOI URL

Figure 4 Broadband vs. narrowband stimuli. From A through B to C, the frequency bandwidth Bf increases, while all other parameters (such as f0) are kept constant. The MC with the broadest bandwidth is thought to best represent natural stimuli, since, as those, it contains many frequency components. A: Bf = 0:05 (Supplemental Movie S4). B: Bf = 0:15 (Supplemental Movie S5). C: Bf = 0:4 (Supplemental Movie S6).

Grabbing, tracking and sniffing as models for motion detection and eye movements

Fri, 27 Jan 2012 00:00:00 +0000

Edge statistics in natural images versus laboratory animal environments: implications for understanding lateral connectivity in V1

Tue, 24 Jan 2012 13:00:00 +0000

See a followup in
Edge co-occurrences can account for rapid categorization of natural versus animal images
Laurent U Perrinet, James A Bednar

Cite DOI Code URL HAL

Motion-based prediction is sufficient to solve the aperture problem

Thu, 12 Jan 2012 17:00:00 +0000

See a followup in Perrinet et al, 2012

Active inference, smooth pursuit and oculomotor delays

Sun, 01 Jan 2012 00:00:00 +0000

Complex dynamics in recurrent cortical networks based on spatially realistic connectivities

Sun, 01 Jan 2012 00:00:00 +0000

Based on
Nicole Voges, Laurent U Perrinet (2010). Phase space analysis of networks based on biologically realistic parameters. Journal of Physiology-Paris.
PDF Cite DOI URL

Effect of image statistics on fixational eye movements

Sun, 01 Jan 2012 00:00:00 +0000

Measuring speed of moving textures: Different pooling of motion information for human ocular following and perception.

Sun, 01 Jan 2012 00:00:00 +0000

More is not always better: dissociation between perception and action explained by adaptive gain control

Sun, 01 Jan 2012 00:00:00 +0000

Band-pass motion stimuli for perception and action tasks. (a) In the space representing temporal against spatial frequency, each line going through the origin corresponds to stimuli moving at the same speed. A simple drifting grating is a single point in this space. Our moving texture stimuli had their energy distributed within an ellipse elongated along a given speed line, keeping constant the mean spatial and temporal frequencies. The spatio-temporal bandwidth was manipulated by co-varying Bsf and Btf as illustrated by the (x,y,t) examples. Human performance was measured for two different tasks, run in parallel blocks. (b) For ocular tracking, motion stimuli were presented for a short duration (200ms) in the wake of a centering saccade to control both attention and fixation states. (c) For speed discrimination, test and reference stimuli were presented successively for the same duration and subjects were instructed to indicate whether the test stimulus was perceived as slower or faster than reference.

Motion-based prediction is sufficient to solve the aperture problem

Sun, 01 Jan 2012 00:00:00 +0000

See a followup in Perrinet et al, 2012

Motion-based prediction is sufficient to solve the aperture problem

Sun, 01 Jan 2012 00:00:00 +0000

The estimation of the motion of an elongated, slanted segment (here moving horizontally to the right) on a limited area (such as the receptive field of a neuron) leads to ambiguous velocity measurements compared to physical motion: it’s the aperture problem. We represent as arrows the velocity vectors that are most likely detected by a motion energy model; hue indicates direction angle. Introducing predictive coding resolves the aperture problem.

Figure 1: (A) The estimation of the motion of an elongated, slanted segment (here moving horizontally to the right) on a limited area (such as the dotted circle) leads to ambiguous velocity measurements compared to physical motion: it’s the aperture problem. We represent as arrows the velocity vectors that are most likely detected by a motion energy model; hue indicates direction angle. Due to the limited size of receptive fields in sensory cortical areas (such as shown by the dotted white circle), such problem is faced by local populations of neurons that visually estimate the motion of objects. (A-inset) On a polar representation of possible velocity vectors (the cross in the center corresponds to the null velocity, the outer circle corresponding to twice the amplitude of physical speed), we plot the empirical histogram of detected velocity vectors. This representation gives a quantification of the aperture problem in the velocity domain: At the onset of motion detection, information is concentrated along an elongated constraint line (white=high probability, black=zero probability). (B) We use the prior knowledge that in natural scenes, motion as defined by its position and velocity is following smooth trajectories. Quantitatively, it means that velocity is approximately conserved and that position is transported according to the known velocity. We show here such a transition on position and velocity (respectively $x_t$ and $V_t$) from time t to t + dt with the perturbation modeling the smoothness of prediction in position and velocity (respectively $N_x$ and $N_V$). (C) Applying such a prior on a dynamical system detecting motion, we show that motion converges to the physical motion after approximately one spatial period (the line moved by twice its height). (C-Inset) The read-out of the system converged to the physical motion: Motion-based prediction is sufficient to resolve the aperture problem. (D) As observed at the perceptual level [Castet et al., 1993, Pei et al., 2010], size and duration of the tracking angle bias decreased with respect to the height of the line. Height was measured relative to a spatial period (respectively 60%, 40% and 20%). Here we show the average tracking angle red-out from the probabilistic representation as a function of time, averaged over 20 trials (error bars show one standard deviation).

Figure 2: Architecture of the model. The model is constituted by a classical measurement stage and of a predictive coding layer. The measurement stage consists of (A) inferring from two consecutive frames of the input flow, (B) a likelihood distribution of motion. This layer interacts with the predictive layer which consists of (C) a prediction stage that infers from the current estimate and the transition prior the upcoming state estimate and (D) an estimation stage that merges the current prediction of motion with the likelihood measured at the same instant in the previous layer (B).

Figure 3: To explore the state-space of the dynamical system, we simulated motion-based prediction for a simple small dot (size 2.5% of a spatial period) moving horizontally from the left to the right of the screen. We tested different levels of sensory noise with respect to different levels of internal noise, that is, to different values of the strength of prediction. (Right) Results show the emergence of different states for different prediction precisions: a regime when prediction is weak and which shows high tracking error and variability (No Tracking - NT), a phase for intermediate values of prediction strength (as in Figure 1) exhibiting a low tracking error and low variability in the tracking phase (True Tracking - TT) and finally a phase corresponding to higher precisions with relatively efficient mean detection but high variability (False Tracking - FT). We give 3 representative examples of the emerging states at one contrast level (C = 0.1) with starting (red) and ending (blue) points and respectively NT, TT and FT by showing inferred trajectories for each trial. (Left) We define tracking error as the ratio between detected speed and target speed and we plot it with respect to the stimulus contrast as given by the inverse of sensory noise. Error bars give the variability in tracking error as averaged over 20 trials. As prediction strength increases, there is a transition from smooth contrast response function (NT) to more binary responses (TT and FT).

Figure 4: (Top) Prediction implements a competition between different trajectories. Here, we focus on one step of the algorithm by testing different trajectories at three key positions of the segment stimulus: the two edges and the center (dashed circles). Compared to the pure sensory velocity likelihood (left insets in grayscale), prediction modulates response as shown by the velocity vectors (direction coded as hue as in Figure 1) and by the ratio of velocity probabilities (log ratio in bits, right insets). There is no change for the middle of the segment (yellow tone), but trajectories that are predicted out of the line are “explained away” (navy tone) while others may be amplified (orange tone). Notice the asymmetry between both edges, the upper edge carrying a suppressive predictive information while the bottom edge diffuses coherent motion. (Bottom) Finally, the aperture problem is solved due to the repeated application of this spatio-temporal contextual information modulation. To highlight the anisotropic diffusion of information over the rest of the line, we plot as a function of time (horizontal axis) the histogram of the detected motion marginalized over horizontal positions (vertical axis), while detected direction of velocity is given by the distribution of hues. Blueish colors correspond to the direction perpendicular to the diagonal while a green color represents a disambiguated motion to the right (as in Figure 1). The plot shows that motion is disambiguated by progressively explaining away incoherent motion. Note the asymmetry in the propagation of coherent information.

Perceptions as Hypotheses: Saccades as Experiments

Sun, 01 Jan 2012 00:00:00 +0000

This schematic shows the dependencies among various quantities that are assumed when modeling the exchanges of a self organizing system like the brain with the environment. The top panel describes the states of the environment and the system or agent in terms of a probabilistic dependency graph, where connections denote directed dependencies. The quantities are described within the nodes of this graph with exemplar forms for their dependencies on other variables (see main text). Here, hidden and internal states are separated by action and sensory states. Both action and internal states encoding a conditional density minimize free energy, while internal states encoding prior beliefs maximize salience. Both free energy and salience are defined in terms of a generative model that is shown as fictive dependency graph in the lower panel. Note that the variables in the real world and the form of their dynamics are different from that assumed by the generative model; this is why external states are in bold. Furthermore, note that action is a state in the model of the brain but is replaced by hidden controls in the brain’s model of its world. This means that the agent is not aware of action but has beliefs about hidden causes in the world that action can fulfill through minimizing free energy. These beliefs correspond to prior expectations that sensory states will be sampled in a way that optimizes conditional confidence or salience.

Role of motion-based prediction in motion extrapolation

Sun, 01 Jan 2012 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

Edge statistics in natural images versus laboratory animal environments: implications for understanding lateral connectivity in V1

Tue, 15 Nov 2011 08:45:00 +0000

Abstract Control Number: 17671
Presentation Number: 530.04
Presentation Time: 8:45am - 9:00am
session:
Session Type: Nanosymposium
Session Number: 530
Session Title: Development of Motor and Sensory Systems
See a followup in
Edge co-occurrences can account for rapid categorization of natural versus animal images
Laurent U Perrinet, James A Bednar

Cite DOI Code URL HAL

Demo 1, Task4: Implementation of models showing emergence of cortical fields and maps

Wed, 05 Oct 2011 13:00:00 +0000

Edge statistics in natural images versus laboratory animal environments: implications for understanding lateral connectivity in V1

Wed, 28 Sep 2011 13:00:00 +0000

See a followup in
Edge co-occurrences can account for rapid categorization of natural versus animal images
Laurent U Perrinet, James A Bednar

Cite DOI Code URL HAL

Pattern discrimination for moving random textures: Richer stimuli are more difficult to recognize

Fri, 23 Sep 2011 00:00:00 +0000

Propriétés émergentes d'un modèle de prédiction probabiliste utilisant un champ neural

Sat, 02 Jul 2011 00:00:00 +0000

La finalité de cette manifestation est de permettre à nos chercheurs de se réunir en groupes de travail et en ateliers afin de découvrir la thématique des neurosciences et son interdisciplinarité. La manifestation se tient dans le cadre des activités du laboratoire LAMS, de ABC MATHINFO, du GDRI NeurO et du réseau méditerranéen NeuroMed.

related publication @ SPIE 2008
see this more recent talk @ UCL, London

Qui créera le premier ordinateur intelligent?

Mon, 20 Jun 2011 00:00:00 +0000

Qui créera le premier ordinateur intelligent?

Les ordinateurs classiques sont de plus en plus puissants, mais restent toujours aussi « stupides ». Impossible d’en trouver un avec lequel on puisse dialoguer de façon naturelle. Aucun système visuel artificiel ne voit aussi bien que nous, ou qu’une mouche ! Alors qui inventera le premier calculateur intelligent ?

Le code neural (En haut : © F. Chavane, en bas : © T. Bal). Le code neural est mieux compris grâce aux techniques d’imagerie récentes. Les neurosciences computationnelles permettent d’étudier les propriétés des réseaux de neurones.

Pursuing motion illusions: a realistic oculomotor framework for Bayesian inference

Fri, 22 Apr 2011 00:00:00 +0000

See a followup in
Laurent U Perrinet, Guillaume S Masson (2012). Motion-based prediction is sufficient to solve the aperture problem. Neural Computation.
PDF Cite Pdf arXiv Doi

Saccadic foveation of a moving visual target in the rhesus monkey

Tue, 01 Feb 2011 00:00:00 +0000

Edge statistics in natural images versus laboratory animal environments: implications for understanding lateral connectivity in V1

Sat, 01 Jan 2011 00:00:00 +0000

See a followup in
Laurent U Perrinet, James A Bednar (2015). Edge co-occurrences can account for rapid categorization of natural versus animal images. Scientific Reports.
Cite DOI Code URL HAL

Role of motion inertia in dynamic motion integration for smooth pursuit

Sat, 01 Jan 2011 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

Probabilistic models of the low-level visual system: the role of prediction in detecting motion

Fri, 17 Dec 2010 00:00:00 +0000

An event ranging “From Mathematical Image Analysis to Neurogeometry of the Brain” Ladislav Tauc & GDR MSPC neurosciences conference.

related publication from Mina Khoei @ TAUC 2012
see this more recent talk @ UCL, London

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

Role of homeostasis in learning sparse representations

Sat, 17 Jul 2010 00:00:00 +0000

related publication :
Laurent U Perrinet (2019). An adaptive homeostatic algorithm for the unsupervised learning of visual features. Vision.
PDF Cite DOI Code URL

Functional consequences of correlated excitatory and inhibitory conductances in cortical networks

Tue, 01 Jun 2010 00:00:00 +0000

Diffraction monochromatique, spectre audiographique

Wed, 14 Apr 2010 19:00:00 +0000

Diffraction monochromatique, spectre audiographique

Diffraction est une sculpture en suspension composée d’une multitude de plaques de matière transparente et réfléchissante. L’installation met en jeu notre perception de l’espace par des phénomènes de résonance et de réflection de la lumière. Chaque lieu d’exposition donne à expérimenter et à élaborer, in situ, de nouvelles formes. A Seconde Nature, Etienne Rey abordera la relation entre le volume et le son en prenant comme base de construction un spectre audio, en collaboration avec l’artiste sonore Mathias Delplanque.
Live de Mathias Delplanque et rencontre autour de Diffraction, le Mercredi 14 avril 2010: A l’occasion de cette rencontre publique, quatre chercheurs spécialistes de l’architecture, de la perception, du son, et de la lumière exposeront depuis leurs domaines de recherches les processus engagés autour de Diffraction.`
Farid Ameziane, Ecole Nationale Supérieure d’Architecture de Marseille Luminy (EAML), Directeur de l’InsARTis, Marseille
Guillaume Bonello, Chargé de mission, POPsud, co/OAMP, Marseille
Fabrice Mortessagne, Directeur du laboratoire de Physique de la Matière Condensée (LPMC), Nice-Sophia Antipolis
Laurent U Perrinet, Chercheur à l’Institut de Neurosciences Cognitives de Méditerranée, Equipe DyVA, Marseille
Modératrice : Colette Tron, Fondatrice d’Alphabetville, Marseille
Entrée libre & gratuite - 19h, durée 2h.
Renseignements pratiques :
Espace Sextius investi par Seconde Nature :
27bis rue du 11 novembre,
13100 Aix-en-Provence
(!) visitez le site de Seconde Nature

notes de l’intervention de Laurent Perrinet

Qu’est-ce que voir? En perception, les neurones « parlent » tous en même temps par de brèves impulsions électrochimiques, générant un mélange de signaux, un bruit. Pourtant c’est par eux que nous pensons, voyons, sentons. Les ordinateurs sont différents, plus rapides. Ils sont construits avec pour modèle la grammaire humaine autour d’une unité centrale, car on imaginait la cognition sous cet angle à leur invention. Le bit est le quantum d’un algorithme mécanique (thèse de Church-Turing). Une théorie tranche par rapport à la précédente, proposée par «von Neumann» : beaucoup d’unités sont présentes dans le cerveau. Comparée à la chaîne logique du langage, dans cet algorithme, beaucoup d’autres chaînes et logiques se mêlent. Comment vont-elles « parler » entre elles ? Existe-t-il des algorithmes biologiques ?

Définir ce « langage », c’est comprendre comment une somme d’informations locales peut produire une perception globale. Comment en jouant avec les atomes du code, en les superposant, les « cassant » pour les mettre en résonance, les neurosciences et l’artiste questionnent le langage de notre pensée ? Quel est le code utilisé par les neurones pour communiquer (code neuronal ? existe-t-il un même vocabulaire au sens homomorphique ?). En pratique, on apprend par exemple la sélectivité à l’orientation. Les phénomènes d’orientation sont radicaux à la fin de l’expérience, « gelant » son évolution. Un lien évident avec l’installation Phytosphère d’Etienne Rey. L’information dans le cerveau se propage par diffusion, par diffraction (contamination des informations entre neurones pour occuper l’espace), en lien avec le travail sur la lumière d’Etienne Rey. L’image a besoin de 30 millisecondes pour se diffuser de l’œil vers l’arrière du crâne et 85 millisecondes pour produire un réflexe oculaire. Les neurosciences cherchent à savoir comment comprendre la globalité par l’émergence. Il y a donc une superposition d’états, comme dans la diffraction d’Etienne Rey. En perception, le mécanisme neuronal cherche à sortir de l’ambiguïté première quand il connaît une image : il superpose des particules élémentaires d’information, les diffuse pour les prendre toutes. Ce qui émerge est non linéaire. Le cerveau interfère ces particules, donc les met en compétition, en coopération (voir expérience plus haut avec les neurones rouges et bleus), dans une dynamique où ces particules se réorientent elles-mêmes. Elles créent des phénomènes d’organisation, se collent, deviennent plus lumineuses. La perception n’est donc pas séquentielle mais fluide et la sortie de l’ambiguité depuis l’image pixel vient de l’introduction de ces contraintes. Ainsi quand nous voyons un objet, nous le « capturons ». Quand nous sommes vus, nous cherchons à nous séparer de cette capture. Un problème classique est l’ambiguité du monde sensible. Une couleur que l’on ne voit pas va apparaître visuellement. L’inpainting créé une œuvre qui correspond à un mécanisme neuronal, cherchant à reproduire toujours une même structure. La mémoire iconique du monde extérieur va imprégner le cerveau, s’y figer. Tout le problème de la perception pour les neurosciences repose sur deux dialectiques. La première présente une analogie avec les images informatiques par pixels : ce serait en neurosciences une métaphore de la sensation pure. La seconde rappelle l’image vectorisée : pour s’extraire de la sensation pure, le cerveau retiendra des règles proches des algorithmes. En cognition, il permet de mettre en lumière le symptome d**‘autisme**. Dans un schéma montrant un bloc derrière un arbre, dépassant des deux côtés, sera découpé visuellement par l’autiste en plusieurs morceaux distincts. Il ne généralise pas l’information.

Comment être sûr d’une perception globale en désignant les modules de l’installation d’Etienne Rey, ou signifiants des atomes, dans ce passage du local au global ? Les modules ne se voient pas forcément dans l’installation, mais d’autres aspects sont perçus. La relation à l’atome, même si elle n’est pas signifiante pour le public, n’est pas primordiale. Le public voit une accumulation de « choses », car par principe quand un phénomène est concentré « il se passe des choses » par jeu de contraste. Le fait de bouger face à l’installation rend unique à l’individu la perception et réalise la globalité de l’œuvre: on a alors passage de l’atome à la forme globale. Cette résolution rejoint Giotto et les débuts de la perspective en art pictural. Il a révélé la question du point de vue, par positionnement et déplacement. En effet, les personnes penchent la tête dans l’installation spirale en container, d’Etienne Rey, pour le festival Ozosphère à Strasbourg. Ce phénomène est à rattaché aux théories sur la perception. Biographie Laurent Perrinet, chercheur à l’Institut de Neurosciences Cognitives de la Méditerranée à Marseille, unité mixte du CNRS, aime citer « La vie de Brian » des Monty Python : (Brian:) “You have to work it out for yourselves!” (Crowd:) “Yes, we have to work it out for ourselves… (silence) Tell us more!”. L’individualité et la perception du monde… Dans l’équipe DyVA (pour Dynamique de la perception visuelle et de l’action), Laurent Perrinet s’intéresse aux neurones impulsionnels et au codage neuronal, ainsi qu’à la perception des mouvements spatio-temporels. Ces processus définis comme des algorithmes, la représentation du flux vidéo modélise via l’informatique ces interactions au niveau cellulaire (colonnes corticales) et au niveau cognitif (aires corticales). Il cherche à comprendre le fonctionnement des calculs corticaux dans le système visuel. Cette recherche fournit des réponses aux problèmes cognitifs. Après un diplôme d’ingénieur de traitement du signal et de modélisation stochastique de l’école d’aéronautique Supaéro à Toulouse et des études à San Diego et à Pasadena (Californie) pour la Nasa, Laurent Perrinet obtient un doctorat de Sciences Cognitives. Répondant aux questions « Peut-on parler d’intelligence mécanique ? », « Pourquoi une grenouille gobe mieux une mouche qu’un robot ? » ou « Quelle est la différence entre intelligence et algorithme ? », il intervient en 2009 au colloque marseillais « Les chemins de l’intelligence ». Parmi ses publications : Role of homeostasis in learning sparse representations, et sa thèse Comment déchiffrer le code impulsionnel de la vision ? Étude du flux parallèle, asynchrone et épars dans le traitement visuel ultra-rapide

Models of low-level vision: linking probabilistic models and neural masses

Fri, 08 Jan 2010 00:00:00 +0000

see this more recent talk @ UCL, London

A recurrent Bayesian model of dynamic motion integration for smooth pursuit

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

Computational Neuroscience, from Multiple Levels to Multi-level

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

Different pooling of motion information for perceptual speed discrimination and behavioral speed estimation

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

Dynamical emergence of a neural solution for motion integration

Fri, 01 Jan 2010 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

Dynamical emergence of a neural solution for motion integration

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

Phase space analysis of networks based on biologically realistic parameters

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

Based on
Nicole Voges, Laurent U Perrinet (2010). Phase space analysis of networks based on biologically realistic parameters. Journal of Physiology-Paris.
PDF Cite DOI URL
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

Probabilistic models of the low-level visual system: the role of prediction in detecting motion

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

See a followup in Perrinet et al, 2012

Reading out the dynamics of lateral interactions in the primary visual cortex from VSD data

Mon, 30 Nov 2009 00:00:00 +0000

see this more recent poster @ VSS

Peut-on parler d'intelligence mécanique?

Tue, 24 Nov 2009 18:30:00 +0000

Nous parlerons de cette partie “mécanique” du cerveau animal ou humain qui permet de percevoir les mouvements et de … survivre au sein de l’environnement. On verra, par exemple, que notre cerveau peut-être plus rapide que nous, qu’il y a des solutions “stupides” qui marchent remarquablement bien pour sortir d’un labyrinthe, et qui si la grenouille sait gober une mouche bien mieux qu’un robot … elle n’est pas plus maligne ! Parce que ce qu’il ne faut pas confondre ici c’est la différence entre calculer et penser, entre intelligence et algorithmes. En comprenant cela, avec Alan Mathison Turing, le Gutenberg du XXème siècle, l’humanité a basculé des temps modernes à l’ère du numérique.

(!) visitez le site d’interstices!

Control of the temporal interplay between excitation and inhibition by the statistics of visual input

Sat, 18 Jul 2009 00:00:00 +0000

see this subsequent paper in the Journal of Computational Neuroscience

Decoding low-level neural information to track visual motion

Wed, 01 Apr 2009 00:00:00 +0000

see this more recent talk @ UCL, London

Correlating Excitation and Inhibition in Visual Cortical Circuits : Functional Consequences and Biological Feasibility

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

Decoding center-surround interactions in population of neurons for the ocular following response

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

Dynamical state spaces of cortical networks representing various horizontal connectivities

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

Based on
Nicole Voges, Laurent U Perrinet (2010). Phase space analysis of networks based on biologically realistic parameters. Journal of Physiology-Paris.
PDF Cite DOI URL
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

Dynamics of cortical networks including long-range patchy connections

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

Based on
Nicole Voges, Laurent U Perrinet (2010). Phase space analysis of networks based on biologically realistic parameters. Journal of Physiology-Paris.
PDF Cite DOI URL
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

Functional consequences of correlated excitation and inhibition on single neuron integration and signal propagation through synfire chains

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

see this subsequent paper in the Journal of Computational Neuroscience

Inferring monkey ocular following responses from V1 population dynamics using a probabilistic model of motion integration

Thu, 01 Jan 2009 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

Analyzing cortical network dynamics with respect to different connectivity assumptions

Wed, 01 Oct 2008 00:00:00 +0000

Based on
Nicole Voges, Laurent U Perrinet (2010). Phase space analysis of networks based on biologically realistic parameters. Journal of Physiology-Paris.
PDF Cite DOI URL
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

Functional properties of feed-forward inhibition

Wed, 01 Oct 2008 00:00:00 +0000

see this subsequent paper in the Journal of Computational Neuroscience

Proceedings of the second french conference on Computational Neuroscience, Marseille

Wed, 01 Oct 2008 00:00:00 +0000

Decoding the population dynamics underlying ocular following response using a probabilistic framework

Sun, 01 Jun 2008 00:00:00 +0000

related publications @ FENS 2006, @ NeuroComp 2008 and @ AREADNE 2008
see this more recent talk @ UCL, London

From neural activity to behavior: computational neuroscience as a synthetic approach for understanding the neural code.

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

Dynamics of distributed 1D and 2D motion representations for short-latency ocular following

Fri, 01 Feb 2008 00:00:00 +0000

Modeling of spikes, sparseness and adaptation in the primary visual cortex: applications to imaging

Fri, 01 Feb 2008 00:00:00 +0000

related publications @ FENS 2006, @ NeuroComp 2008 and @ AREADNE 2008

Adaptive Sparse Spike Coding : applications of Neuroscience to the compression of natural images

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

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

Decoding the population dynamics underlying ocular following response using a probabilistic framework

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

Dynamics of cortical networks based on patchy connectivity patterns

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

Based on
Nicole Voges, Laurent U Perrinet (2010). Phase space analysis of networks based on biologically realistic parameters. Journal of Physiology-Paris.
PDF Cite DOI URL
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

Modeling spatial integration in the ocular following response to center-surround stimulation using a probabilistic framework

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

PyNN: A Common Interface for Neuronal Network Simulators

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

PyNN is a simulator-independent language for building neuronal network models using Python.

Web-site
Source code
619 citations on Google Scholar (last updated 22/10/2021)

What adaptive code for efficient spiking representations? A model for the formation of receptive fields of simple cells

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

What efficient code for adaptive spiking representations?

Sat, 01 Dec 2007 00:00:00 +0000

Neural Codes for Adaptive Sparse Representations of Natural Images

Sat, 01 Sep 2007 00:00:00 +0000

Synchrony in thalamic inputs enhances propagation of activity through cortical layers

Fri, 06 Jul 2007 00:00:00 +0000

see this subsequent paper in the Journal of Computational Neuroscience

Dynamical Neural Networks: modeling low-level vision at short latencies

Thu, 01 Mar 2007 00:00:00 +0000

Dynamical Neural Networks (DyNNs) are a class of models for networks of neurons where particular focus is put on the role of time in the emergence of functional computational properties. The definition and study of these models involves the cooperation of a large range of scientific fields from statistical physics, probabilistic modelling, neuroscience and psychology to control theory. It focuses on the mechanisms that may be relevant for studying cognition by hypothesizing that information is distributed in the activity of the neurons in the system and that the timing helps in maintaining this information to lastly form decisions or actions. The system responds at best to the constraints of the outside world and learning strategies tune this internal dynamics to achieve optimal performance. This chapter introduces the book. See also:

Bruno Cessac, Emmanuel Daucé, Laurent U Perrinet, Manuel Samuelides (2007). Topics in Dynamical Neural Networks: From Large Scale Neural Networks to Motor Control and Vision. Topics in Dynamical Neural Networks: From Large Scale Neural Networks to Motor Control and Vision.
Cite
Bruno Cessac, Emmanuel Daucé, Laurent U Perrinet, Manuel Samuelides (2007). Introduction to Topics in Dynamical Neural Networks: From Large Scale Neural Networks to Motor Control and Vision. Topics in Dynamical Neural Networks: From Large Scale Neural Networks to Motor Control and Vision.
Cite DOI URL

Introduction to Topics in Dynamical Neural Networks: From Large Scale Neural Networks to Motor Control and Vision

Thu, 01 Mar 2007 00:00:00 +0000

Bruno Cessac, Emmanuel Daucé, Laurent U Perrinet, Manuel Samuelides (2007). Topics in Dynamical Neural Networks: From Large Scale Neural Networks to Motor Control and Vision. Topics in Dynamical Neural Networks: From Large Scale Neural Networks to Motor Control and Vision.
Cite
Laurent U Perrinet (2007). Dynamical Neural Networks: modeling low-level vision at short latencies. Topics in Dynamical Neural Networks: From Large Scale Neural Networks to Motor Control and Vision.
PDF Cite DOI

Topics in Dynamical Neural Networks: From Large Scale Neural Networks to Motor Control and Vision

Thu, 01 Mar 2007 00:00:00 +0000

Bruno Cessac, Emmanuel Daucé, Laurent U Perrinet, Manuel Samuelides (2007). Introduction to Topics in Dynamical Neural Networks: From Large Scale Neural Networks to Motor Control and Vision. Topics in Dynamical Neural Networks: From Large Scale Neural Networks to Motor Control and Vision.
Cite DOI URL
Laurent U Perrinet (2007). Dynamical Neural Networks: modeling low-level vision at short latencies. Topics in Dynamical Neural Networks: From Large Scale Neural Networks to Motor Control and Vision.
PDF Cite DOI

Self-Invertible 2D Log-Gabor Wavelets

Sat, 13 Jan 2007 00:00:00 +0000

This library defines the set of LogGabor kernels. These are generic edge-like filters at different scales, phases and orientations. The library develops a simple method to construct a simple multi-scale linear transform.

Web-site
Source code
logGabor filters are used in numerous computer vision applications and reaches 177 citations on Google Scholar (last updated 22/10/2021).

Figure 1 Multiresolution schemes. (a) Schematic contours of the log-Gabor filters in the Fourier domain with 5 scales and 8 orientations (only the contours at 78% of the filter maximum are drawn). (b) The real part of the corresponding filters is drawn in the spatial domain. The two first scales are drawn at the bottom magnified by a factor of 4 for a better visualization. The different scales are arranged in rows and the orientations in columns. The low-pass filter is drawn in the upper-left part. (c) The corresponding imaginary parts of the filters are shown in the same arrangement. Note that the low-pass filter does not have imaginary part. Insets (b) and (c) show the final filters built through all the processes described in Section 2. (d) In the proposed scheme the elongation of log-Gabor wavelets increases with the number of orientations nt . Here the real parts (left column) and imaginary parts (right column) are drawn for the 3, 4, 6, 8, 10, 12 and 16 orientation schemes. (e) As a comparison orthogonal wavelet filters ‘Db4’ are shown. Horizontal, vertical and diagonal wavelets are arranged on columns (low-pass on top). (f) As a second comparison, steerable pyramid filters (Portilla et al., 2003) are shown. The arrangement over scales and orientations is the same as for the log-Gabor scheme.

Bayesian modeling of dynamic motion integration

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

Dynamic inference for motion tracking

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

Modeling spatial integration in the ocular following response using a probabilistic framework

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

Neural Codes for Adaptive Sparse Representations of Natural Images

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

On efficient sparse spike coding schemes for learning natural scenes in the primary visual cortex

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

PyNN: towards a universal neural simulator API in Python

Mon, 01 Jan 2007 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

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).

Visual tracking of ambiguous moving objects: A recursive Bayesian model

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

An efficiency razor for model selection and adaptation in the primary visual cortex

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

Bayesian modeling of dynamic motion integration

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

See a followup in Perrinet et al, 2012

Contrast sensitivity adaptation in a virtual spiking retina and its adequation with mammalians retinas

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

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

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

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

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

Input-output transformation in the visuo-oculomotor loop: modeling the ocular following response to center-surround stimulation in a probabilistic framework

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

Input-output transformation in the visuo-oculomotor loop: modeling the ocular following response to center-surround stimulation in a probabilistic framework

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

See a followup in Perrinet et al, 2012

Input-output transformation in the visuo-oculomotor loop: modeling the ocular following response to center-surround stimulation in a probabilistic framework

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

related publication @ SPIE 2008
See a followup in Perrinet et al, 2012

Modeling of simple cells through a sparse overcomplete gabor wavelet representation based on local inhibition and facilitation

Mon, 01 Aug 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).

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).

Efficient Source Detection Using Integrate-and-Fire Neurons

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

Coding static natural images using spiking event times: do neurons cooperate?

Wed, 01 Sep 2004 00:00:00 +0000

Progressive reconstruction of a static image using spikes in a multi-scale oriented representation.

Feature detection using spikes : the greedy approach

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

Sparse spike coding in an asynchronous feed-forward multi-layer neural network using matching pursuit

Mon, 01 Mar 2004 00:00:00 +0000

Finding Independent Components using spikes : a natural result of Hebbian learning in a sparse spike coding scheme

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

Comment déchiffrer le code impulsionnel de la vision ? Étude du flux parallèle, asynchrone et épars dans le traitement visuel ultra-rapide

Wed, 01 Jan 2003 00:00:00 +0000

Le jury était consistué (de gauche à droite) de Jeanny Hérault (Rapporteur), Michel Imbert (Président), Yves Burnod (Rapporteur, absent de la photo), Manuel Samuelides (Directeur de thèse) et Simon Thorpe (Co-directeur de thèse).

Emergence of filters from natural scenes in a sparse spike coding scheme

Wed, 01 Jan 2003 00:00:00 +0000

Coherence detection in a spiking neuron via Hebbian learning

Sat, 01 Jun 2002 00:00:00 +0000

Sparse Image Coding Using an Asynchronous Spiking Neural Network

Tue, 01 Jan 2002 00:00:00 +0000

Progressive reconstruction of a static image using spikes in a Laplacian pyramid.

Visual Strategies for Sparse Spike Coding

Tue, 01 Jan 2002 00:00:00 +0000

Network of integrate-and-fire neurons using Rank Order Coding A: how to implement spike timing dependant plasticity

Mon, 01 Jan 2001 00:00:00 +0000

Network of integrate-and-fire neurons using Rank Order Coding B: spike timing dependant plasticity and emergence of orientation selectivity

Mon, 01 Jan 2001 00:00:00 +0000

A generative model for Spike Time Dependent Hebbian Plasticity

Sat, 01 Jan 2000 00:00:00 +0000

Apprentissage hebbien d'un reseau de neurones asynchrone a codage par rang

Fri, 01 Jan 1999 00:00:00 +0000

Travail de master sur la STDP.