Intégration de ces nouveaux modules sensoriels dynamiques dans une architecture visuelle et expérimentation de leurs performances dans le cas de la vision dégradée.
Objectif: Validation de l’architecture de vision précoce non-standard bio-inspirée sur des données réalistes, en ciblant les applications en basse vision (par exemple sousmarines).
Méthodes: Puisqu’une architecture de vision précoce innovate est rendue disponible grâve aux autres tâches du projet, l’étape finale consiste à la valider en l’incorporant dans un système visuel d’inspiration biologique système, et en ciblant une application pour laquelle les méthodes visuelles de l’état de l’art échouent au moins partiellement.
En plus de ces validations, ces résultats vont va être comparé à des mécanismes d’apprentissage artificiels de haut niveau, par exemple que des détecteurs de nouveauté (Kassab et al, 2009), afin de quantifier les performances obtenues.
Puisque nous voulons expérimenter dans quelle mesure une telle amélioration de la vision précoce peut contribuer à la perception visuelle, nous allons non seulement prendre en compte des mécanismes visuels de bas niveau, mais aussi expérimenter à plus haut niveau certaines fonctions perceptives visuelles. De telles démonstration concrète de l’amélioration de tâches cognitives incluerons:
(i) Non-linéaire de détection statique / dynamique des indices: le calcul de cartes de par exemple coloré-texture / background-mouvement / objet de mouvement avec la segmentation des régions uniformes wr.t. la queue.
(ii) Reconnaissance gestuelle: la distinction entre deux déplacements différents (par exemple la marche forcée par rapport à une marche naturelle, ou le comportement d’une foule).
(iii) Reconnaissance de catégories d’images: reconnaître des catégories générales d’images (par exemple, uen image naturelle par rapport àune scène artificielle, un animal par rapport à un objet manufacturé).
(iv) Détection d’événements inattendus: par exemple un déplacement inattendu (qui correspond à un échec de la prédiction du détecteur de mouvement local).
(v) Segmentation de l’image à partir de sa catégorisation: quand une catégorisation est réalisée, les unités de la rétine ayant une contribution non négligeable à ce processus de catégorisation fournissent un indice sur la partie de l’image correspondant à cette classification, ce qui permet la segmentation.
Cela signifie que, au niveau de la modélisation d’inspiration biologique, des fonctions extra-corticales en connexion avec les cellules rétiniennes vont être étudiées, y compris les centres de l’attention et de la vision motivés.
Étapes de travail:
(i) Spécifications d’un ensemble de tests de référence pour la validation (lreconnaissance de catégories d’objet, détection de nouveauté).
(ii) Déploiement de la plate-forme d’analyse comparative des données et des logiciels.
(iii) Réalisation d’un test d’étalonnage par arpports aux algorithmes implémentants les mécanismes non standards de la r’etine.
