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

Abstract

Notre cerveau est extrêmement efficace pour résoudre des tâches visuelles très complexes. En quelques centaines de millisecondes, nous sommes capables de reconnaître différents objets de manière invariante à diverses caractéristiques, telles que leur taille ou leur orientation. Récemment, les réseaux neuronaux artificiels ont fait de grands progrès dans la résolution des tâches auxquelles sont confrontés les systèmes biologiques. Ils s’appuient sur les connaissances des neurosciences pour former des architectures d’apprentissage biologiquement réalistes qui pourraient nous fournir des informations intéressantes sur le fonctionnement du cerveau humain. Mais ces architectures sont encore confrontées à un certain nombre de défis : les modèles ne sont pas toujours interprétables, ils ne semblent pas nécessairement utiliser les mêmes stratégies que leurs équivalents biologiques et ils sont très gourmands en énergie. Nous pensons qu’une des raisons de la grande efficacité du système visuel est qu’il utilise des impulsions courtes pour représenter l’information : les potentiels d’action émis par les neurones. En utilisant une approche neuromorphique, l’objectif de ce projet de thèse est de développer des modèles de traitement de l’information visuelle utilisant des représentations basées sur ces impulsions, événements binaires décrits uniquement par leur temps et leur origine. Nous avons choisi d’utiliser un signal dynamique, capturé par une caméra événementielle, qui transcrit une scène visuelle en utilisant uniquement des événements, ou impulsions. Nous résolvons des tâches cognitives visuelles en utilisant le code temporel formé par des séquences précises d’événements que nous appelons motifs d’impulsions. De nombreuses preuves expérimentales suggèrent que le code temporel porté par ces motifs serait une stratégie d’encodage de l’information visuelle utilisée par le cerveau. Nous verrons que l’utilisation de ces motifs permet de développer des méthodes d’apprentissage locales et biologiquement réalistes tout en traitant de manière dynamique et asynchrone les événements caractérisant une scène visuelle. Nous montrons que ces algorithmes permettent de résoudre une tâche de reconnaissance d’objet et une tâche d’estimation de mouvement de manière ultra-rapide et efficace. Nous observons également l’émergence d’une organisation des champs récepteurs similaire à celle des systèmes biologiques, ce qui suggère qu’une stratégie similaire peut être employée par le cerveau. Dans la dernière partie de ce travail, nous détaillerons le développement d’un nouvel algorithme pour détecter ce type d’activité dans des enregistrements de neurones réels.

Antoine Grimaldi

Phd candidate in Computational Neuroscience

During my PhD, I am focusing on Ultra-fast vision using Spiking Neural Networks.