Outreach & Public Engagement | Laurent Perrinet

Illusions visuelles

Cydonia Mensae (1976) Viking Orbiter image

Illusions visuelles : Paréidolie

Illusions visuelles : Paréidolie

Illusions visuelles : Paréidolie

Etienne Rey, SPECTRE AUDIOGRAPHIQUE – DIFFRACTION

Neurosciences computationnelles de la vision

[Sejnowski, Koch & Churchland (1998)]

Anatomie du système visuel humain

Cortex visuel primaire

[Hubel & Wiesel, 1962]

Cortex visuel primaire

[Hubel & Wiesel, 1962]

Modèles hybrides d’IA

Using goal-driven deep learning models to understand sensory cortex [Yamins & DiCarlo, 2016]

Art & Sciences

Etienne Rey

Tropique

Etienne Rey, Tropique

Tropique

Etienne Rey, Cristal n2

Etienne Rey, TRAME ÉLASTICITÉ

TRAME ÉLASTICITÉ

De la nature des choses

Phyllotaxie

Par Cmglee — Travail personnel, CC BY-SA 4.0, Lien

Etienne Rey, Densité flou

Etienne Rey, Horizon Faille

Caustiques

La vibration des apparences

Paul Cézanne, Montagne Sainte-Victoire, 1904

La vibration des apparences

Merleau-Ponty, Sens et non-sens

Etienne Rey, Trames

La vibration des apparences

N_rho, N_phi = 34, 233

def retino_grid(cr, N_rho, N_phi, N_H, N_V, offset, size_mag,
 ecc_max, alpha, c1, c2, power, operator,
 channel='both'):

 cr.scale(N_H, N_V)
 cr.set_operator(operator)

 # https://laurentperrinet.github.io/sciblog/posts/2020-04-16-creating-an-hexagonal-grid.html
 phi_v, rho_v = np.meshgrid(np.linspace(0, 2*np.pi, N_phi, endpoint=False),
 np.linspace(0, ecc_max, N_rho+1, endpoint=True)[1:], sparse=False, indexing='xy')
 phi_v[::2, :] += np.pi/N_phi

 offsets = [-offset, offset]
 colors = [c1, c2]

 for offset_, color in zip(offsets, colors):
 # convert to cartesian coordinates
 X = rho_v * np.sin(phi_v) + offset_
 Y = rho_v * np.cos(phi_v)
 X = (X+1)/2
 Y = (Y+1)/2
 R = size_mag * rho_v**power / N_rho

 # draw 
 for x, y, r in zip(X.ravel(), Y.ravel(), R.ravel()):
 circle(cr, x, y, r)
 cr.set_source_rgba(*hue_to_rgba(color, alpha))
 cr.fill()

 return cr

c_blue = 240
dc = 60
opts = dict(N_rho=N_rho, N_phi=N_phi, N_H=N_H, N_V=N_V,
 offset=0.07, size_mag=0.3, ecc_max=0.8, alpha=0.80, c1=c_blue-dc, c2=c_blue+dc, power=.5, operator=cairo.OPERATOR_MULTIPLY)

@disp
def draw(cr, N_H=N_H, N_V=N_V): cr = retino_grid(cr, **opts)

Etienne Rey, La vibration des apparences

La vibration des apparences

Laurent Perrinet

Journées d’Ouverture Scientifique (JOS)

[2025-04-18]

Art-Sciences / Contact me @ laurent.perrinet@univ-amu.fr

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

2025-02-14-supaero

Fri, 14 Feb 2025 00:00:00 +0000

Qu'est-ce que les Neurosciences peuvent apporter à l'Intelligence Artificielle ?
[2025-02-14] Airbus Helicopters Laurent Perrinet ― https://laurentperrinet.github.io

Mais que fait un neuroscientifique à Airbus Helictopters?

Je suis moi-même un passionné d’aéronautique et de spatial, ce qui m’a amené à suivre l’école d’aéronautique SUPAERO. Puis vers l’imagerie satellitaire, qui dépendait déjà de l’IA sous la forme des réseaux de neurones. C’est à partir de là, grâce à la rencontre avec mon professeur de mathématiques Manuel Samuelides, que j’ai découvert les neurosciences computationnelles et les pouvoirs qu’elles peuvent offrir pour mieux comprendre le cerveau et pour créer de nouveaux systèmes d’intelligence artificielle. Voici un

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).

Depuis ce temps là, je développe des réseaux de neurones concus comme des algorithmes / processus d’optimisation numérique, que j’applique pour le traitement automatisé des images. une optique nouvelle n’est pas simplement d’utiliser l’inspiration neuro-mimétique mais de faire des aller retours avec l’expérimentation

mais d’abord quid AI ?

L’intelligence artificielle est-elle “intelligente” ?

L’intelligence artificielle (IA) est-elle “intelligente” ?

L’IA est une science multi-disciplinaire qui vise à créer des machines capables d’exécuter des tâches intelligentes, similaires à celles effectuées par l’être humain.
années 1950-1970 : approches logiques et symboliques
années 1980-2010 : machine learning (apprentissage automatique)
années 2010-2020 : deep learning
années 2020-… : la révolution des transformers

L’intelligence artificielle est-elle “intelligente” ?

Sommet de l’IA de 2025

Enjeux de l’IA embarquée : latence de réponse

Visual latencies [Grimaldi et al, 2022]

Tout d’abord, les systèmes sensoriels biologiques sont composés de séquences de traitement qui possèdent des délais de traitement. Je décris ici la chaîne de traitement d’une image visuelle, ici pour un enfant jouant à un jeu et devant cliquer sur le bon bouton, et qui illustre les différentes latences du traitement de l’information de la vision à l’action.

Si les délais dans un système embarqué sont plus rapides, il reste que les informations dans les différentes étapes de traitement peuvent être décalées et nécessitent un traitement adapté afin de répondre de la façon la plus immédiate possible. Je pense notamment à la détection d’objets en mouvement très rapide dans le cadre spatial.

Tout d’abord, la plupart de ces systèmes traitent des données statiques. Ils ignorent notamment l’aspect dynamique, comme la nécessité de pouvoir répondre à tout moment ou de compenser les délais de traitement. Dans un premier temps, je présenterai un nouveau type de caméra, inspirée du fonctionnement de la rétine et du codage neural par potentiels d’actions ou « spikes ». Ces caméras permettent de capturer l’information sous forme d’événements et nécessitent d’adapter les algorithmes de traitement de l’information, qui sont plus proches de ceux utilisés par le cerveau.

Enjeux de l’IA embarquée : budget énergétique

“L’irraisonnable efficacité de la vision”

Comment la vision a évolué… [Perrinet, 2024]

Illusions visuelles

Rotating Snakes Akiyoshi KITAOKA

Illusions visuelles

Ilusions of brightness or lightness Akiyoshi KITAOKA

Illusions visuelles

Illusions visuelles

Cydonia Mensae (1976) Viking Orbiter image

Illusions visuelles : Paréidolie

Illusions visuelles : Paréidolie

Illusions visuelles : Paréidolie

Neurosciences computationnelles de la vision

[Sejnowski, Koch & Churchland (1998)]

Anatomie du système visuel humain

Cortex visuel primaire

[Hubel & Wiesel, 1962]

Cortex visuel primaire

[Hubel & Wiesel, 1962]

Modèles hybrides d’IA

Using goal-driven deep learning models to understand sensory cortex [Yamins & DiCarlo, 2016]

Levier #1: Réseaux de neurones impulsionnels (SNNs)

From frame-based to event-based cameras.

Levier #1: Réseaux de neurones impulsionnels (SNNs)

Sensor	Range	Framerate	Resolution	Power
Human eye	60 (?) dB	300 (?) fps	100 (?) Mpx	10 mW
DSLR	44.6 dB	120 fps	2–20 Mpx	30 W
Ultra-high speed	64 dB	10^4 fps	0.3–4 Mpx	300 W
Event-based	120 dB	10^6 fps	0.1–2 Mpx	30 mW

Les caméras événementielles présentent plusieurs propriétés qui les rendent remarquables. Tout d’abord, la précision temporelle des événements est de l’ordre de la microseconde, ce qui permet d’atteindre une cadence théorique de l’ordre du million d’images par seconde. On peut la comparer à celle d’une caméra classique, qui est de l’ordre de la centaine d’images par seconde, ou à celle d’une caméra à grande vitesse, qui peut atteindre 10 000 images par seconde. Il est difficile d’estimer la fréquence d’échantillonnage de la perception humaine, car si 25 images par seconde sont souvent suffisantes pour visionner un film, il a été démontré que l’œil humain peut distinguer des détails temporels jusqu’à la milliseconde.

Une autre caractéristique importante de ces caméras est leur capacité à détecter une très large gamme de luminosité, dépassant de loin celle des caméras conventionnelles à 120 dB (un facteur d’un million, comparé au facteur de un sur mille de l’œil humain entre la pleine lune et le soleil),

Il convient de noter que la « résolution spatiale » de ces caméras est souvent relativement modeste, de l’ordre du mégapixel. Cependant, il ne s’agit pas d’une limitation technique, mais plutôt d’une conséquence des applications technologiques dans lesquelles ces caméras sont couramment utilisées.

Par rapport aux caméras classiques, qui consomment plusieurs watts, les caméras événementielles consomment très peu d’énergie électrique, de l’ordre de 10 milliwatts, soit une consommation équivalente à celle de l’œil humain. https://en.wikipedia.org/wiki/Event_camera#Functional_description

Levier #1: Réseaux de neurones impulsionnels (SNNs)

[Grimaldi et al, 2023, Precise Spiking Motifs]

Levier #1: Réseaux de neurones impulsionnels (SNNs)

Loihi 2

Levier #1: Réseaux de neurones impulsionnels (SNNs)

The HD-SNN neural network [Grimaldi et al, 2023]

Ces caméras ne présentent que des avantages, mais alors, comment traiter cette nouvelle représentation des données ? En effet, les neurosciences montrent que les neurones ne manipulent pas des données continues (comme ceux du deep learning), mais communiquent exactement de la même manière en échangeant de brèves impulsions prototypiques, les potentiels d’action (spikes).
Notre solution : une architecture similaire au deep learning, mais chaque neurone (brique élémentaire) est un modèle simplifié de neurone biologique impulsionnel. Cependant, nous nous retrouvons avec un problème par rapport à l’établissement que nous avons réussi à résoudre théoriquement. Un avantage supplémentaire est que ce genre de calcul est actuellement développé sur des puces embarquées (comme les pixels de la caméra évanementielle).
notre architecture fonctionne ainsi directement sur cette même représentation. Un autre avantage : le « always on computing ».

Quels résultats ? Peut-on les évaluer avant d’avoir ces puces ?

Levier #1: Réseaux de neurones impulsionnels (SNNs)

The HD-SNN neural network [Grimaldi et al, 2023]

Levier #1: Réseaux de neurones impulsionnels (SNNs)

The HD-SNN neural network [Grimaldi et al, 2023]

Levier #1: Réseaux de neurones impulsionnels (SNNs)

The HD-SNN neural network [Grimaldi et al, 2023]

Time-to-Contact maps [Nunes et al, 2023]

2 MINUTES

Nos simulations montrent ainsi une très grande efficacité (ici pour catégoriser un type de flux optique, ce qui peut guider la navigation).
un aspect innovant de notre technologie réside dans notre capacité à utiliser autant de neurones, mais moins de connexions. Nous avons par ailleurs montré que l’efficacité restait acceptable. Par rapport à une technologie classique (en orange) qui montre une baisse rapide, nos résultats montrent une bonne efficacité avec une demi-valeur critique donnée pour un gain de 700x (noter l’axe log). C’est ce qu’on appelle le « frugal computing » et nous œuvrons maintenant à son implémentation dans un PEPR IA.
c’est une étape importante, mais on peut aller plus loin, et je vais vous présenter un deuxième levier : éviter de tout traiter pour ne traiter que ce qui est nécessaire.

Levier #2: Vision active / Active Vision

Levier #2: Vision active / Active Vision

[Kremkow et al, 2018]

Levier #2: Vision active / Active Vision

---
## Levier #2: Vision active / *Active Vision*




[Jérémie et al, 2024]

Levier #2: Vision active / Active Vision

Levier #2: Vision active / Active Vision

Levier #2: Vision active / Active Vision

Qu'est-ce que les Neurosciences peuvent apporter à l'Intelligence Artificielle ?
[2025-02-14] Airbus Helicopters Laurent Perrinet ― https://laurentperrinet.github.io

2024-11-18-journee-biomometisme

Mon, 18 Nov 2024 00:00:00 +0000

[2024-11-18] NeuroAI: interactions multiples entre Neurosciences et Intelligence artificielle

Laurent Perrinet - https://laurentperrinet.github.io

outline =
Bonjour. Je suis Laurent Perrinet, directeur de recherche CNRS en neurosciences computationnelles à l’Institut de Neurosciences de la Timone à Marseille. Je vous remercie pour cette invitation à participer à cette Journée Scientifique “Biomimove 2024 : Action, Perception et Traitement” à la croisée entre robotique et science du vivant.
Les neurosciences computationnelles sont les sciences qui essaient d’extraire de nos connaissances en neurosciences biologiques des principes computationnels, comme le neurone formel et sa capacité d’apprentissage, qui est la brique de base des réseaux de neurones. Ces derniers ont conduit à la révolution de l’IA avec les réseaux profonds.
Je suis convaincu que nous sommes au tournant d’une nouvelle ère dans le développement des systèmes embarqués, où l’intelligence artificielle a le potentiel de créer des innovations disruptives à la hauteur des performances de l’intelligence naturelle et pour lesquelles il est essentiel de s’inspirer des neurosciences biologiques.
C’est pourquoi je suis très heureux de vous présenter en premier lieu le projet ANR AgileNeuRobot, un projet de recherche interdisciplinaire visant à développer des robots aériens agiles bio-mimétiques pour le vol en conditions réelles.

Dans cette optique, afin de caractériser certains enjeux de l’IA embarquée, notamment dans le domaine du spatial, je vais vous présenter deux leviers s’inspirant de la biologie et illustrant comment les neurosciences peuvent faire avancer le domaine de façon radicale. L’intégration de connaissances biomimétiques dans les engins embarqués peut améliorer leur résilience et leur adaptabilité face aux environnements hostiles, tout en réduisant la consommation d’énergie. Je serais ravi d’engager ensuite une discussion avec vous sur ces sujets et d’échanger sur vos propres expériences et perspectives.

AgileNeuRobot: Fiche d’identité

Titre : Robots aériens agiles bio-mimetiques pour le vol en conditions réelles
Title : Bio-mimetic agile aerial robots flying in real-life conditions
CES : CE23 - Intelligence Artificielle (ANR-20-CE23-0021)
Durée: 4 ans, du 1er Octobre 2021 au 30 Septembre 2025
Budget total: 435 k€

AgileNeuRobot: Consortium:


Stéphane Viollet	Ryad Benosman	Laurent Perrinet
Julien Diperi	Sio-Hoï Ieng	Emmanuel Daucé
Post-doc 1	Post-doc 2	PhD (JN Jérémie)
Inst Sciences Mouvement	Inst de la Vision	Inst Neurosci de la Timone

Le projet AgileNeuRobot est un projet que je coordonne en collaboration avec plusieurs institutions :

l’Inst Sciences du Mouvement pour la partie robotique bio-inspirée,
l’Institut de la Vision pour le développement de nouveaux capteurs.
l’Institut de Neurosciences de la Timone (Aix-Marseille Université) pour l’aspect théorique et l’intégration de ces disciplines.

Ensemble, nous travaillons à la fois sur les aspects techniques et scientifiques pour créer ces robots aériens. Ce projet a pour but de contribuer non seulement au développement de nouvelles technologies, mais aussi à la compréhension et à l’élaboration de nouveaux modèles théoriques pour expliquer les mécanismes naturels sous-jacents aux capacités d’adaptabilité et d’apprentissage des systèmes biologiques.

AgileNeuRobot: Agile = Performant et efficace

The system includes 3 units to process event-driven visual inputs communicating by feed-forward and feed-back paths.

Le système en développement est un exemple de robotique bio-inspirée. Il est conçu pour être capable de traiter des données visuelles en temps réel et de réagir rapidement aux changements de l’environnement, notamment pour éviter ou intercepter des objets en vol.

performance : garder une bonne acuité tout en répondant rapidement et presque immédiatement.
efficacité : des besoins réduits en énergie pour un fonctionnement autonome.

Pour cela, nous avons utilisé une architecture inspirée des insectes qui combine des capteurs événementiels avec des réseaux de neurones impulsionnels pour créer un système agile et performant, que je vais décrire dans la suite de l’exposé.

Mais d’abord, je voudrais souligner deux contraintes majeures de ce type de systèmes embarqués :

Enjeux de l’IA embarquée : latence de réponse

Visual latencies [Grimaldi et al, 2022]

Enjeux de l’IA embarquée : budget énergétique

Prototype avec caméra événementielle et calculateur.

Levier #1: Réseaux de neurones impulsionnels (SNNs)

From frame-based to event-based cameras.

Levier #1: Réseaux de neurones impulsionnels (SNNs)

Sensor	Range	Framerate	Resolution	Power
Human eye	60 (?) dB	300 (?) fps	100 (?) Mpx	10 mW
DSLR	44.6 dB	120 fps	2–20 Mpx	30 W
Ultra-high speed	64 dB	10^4 fps	0.3–4 Mpx	300 W
Event-based	120 dB	10^6 fps	0.1–2 Mpx	30 mW

Il convient de noter que la résolution spatiale de ces caméras est souvent relativement modeste, de l’ordre du mégapixel. Cependant, il ne s’agit pas d’une limitation technique, mais plutôt d’une conséquence des applications technologiques dans lesquelles ces caméras sont couramment utilisées.

Levier #1: Réseaux de neurones impulsionnels (SNNs)

The HD-SNN neural network [Grimaldi et al, 2023]

Ces caméras ne présentent que des avantages, mais alors, comment traiter cette nouvelle représentation des données ? En effet, les neurosciences montrent que les neurones ne manipulent pas des données continues (comme ceux du deep learning), mais communiquent exactement de la même manière en échangeant de brèves impulsions prototypiques, les potentiels d’action (spikes).
Notre solution : une architecture similaire au deep learning, mais chaque neurone (brique élémentaire) est un modèle simplifié de neurone biologique impulsionnel. Cependant, nous nous retrouvons avec un problème par rapport à l’établissement que nous avons réussi à résoudre théoriquement. Un avantage supplémentaire est que ce genre de calcul est actuellement développé sur des puces embarquées (comme les pixels de la caméra évanementielle).
notre architecture fonctionne ainsi directement sur cette même représentation. Un autre avantage : le « always on computing ».

Quels résultats ? Peut-on les évaluer avant d’avoir ces puces ?

Levier #1: Réseaux de neurones impulsionnels (SNNs)

The HD-SNN neural network [Grimaldi et al, 2023]

Time-to-Contact maps [Nunes et al, 2023]

2 MINUTES

Nos simulations montrent ainsi une très grande efficacité (ici pour catégoriser un type de flux optique, ce qui peut guider la navigation).
un aspect innovant de notre technologie réside dans notre capacité à utiliser autant de neurones, mais moins de connexions. Nous avons par ailleurs montré que l’efficacité restait acceptable. Par rapport à une technologie classique (en orange) qui montre une baisse rapide, nos résultats montrent une bonne efficacité avec une demi-valeur critique donnée pour un gain de 700x (noter l’axe log). C’est ce qu’on appelle le « frugal computing » et nous œuvrons maintenant à son implémentation dans un PEPR IA.
c’est une étape importante, mais on peut aller plus loin, et je vais vous présenter un deuxième levier : éviter de tout traiter pour ne traiter que ce qui est nécessaire.

Levier #2: Vision active / Active Vision

Levier #2: Vision active / Active Vision

Levier #2: Vision active / Active Vision

Levier #2: Vision active / Active Vision