{"id":346,"date":"2012-06-07T16:56:00","date_gmt":"2012-06-07T14:56:00","guid":{"rendered":"http:\/\/project.inria.fr\/keops\/?page_id=346"},"modified":"2012-07-24T17:17:24","modified_gmt":"2012-07-24T15:17:24","slug":"recherche-modeliser","status":"publish","type":"page","link":"https:\/\/project.inria.fr\/keops\/fr\/recherche-2\/recherche-modeliser\/","title":{"rendered":"Recherche : Mod\u00e9liser"},"content":{"rendered":"

Identification non-lin\u00e9aire des comportements r\u00e9tiniens non-standard \u00e0 partir d’images naturelles.<\/span><\/strong><\/p>\n

Objectif:<\/strong> Concevoir et d\u00e9velopper de nouveaux mod\u00e8les fonctionnels non-lin\u00e9aires des op\u00e9rateurs locaux non-standards de la r\u00e9tine sur la base de repr\u00e9sentations visuelles parcimonieuses et des m\u00e9thodes d’analyse en composants ind\u00e9pendants afin de rencontrer des m\u00e9canismes dynamiques et statistiques sophistiqu\u00e9s\u00a0 par ces modules biologiques de pr\u00e9-traitement de s\u00e9quences d’images naturelles.
\nCela inclut la mod\u00e9lisation de la s\u00e9lectivit\u00e9 \u00e0 la direction de mouvement en utilisant un mod\u00e8le \u00e0 conductance des cellules r\u00e9tiniennes ganglionnaires.<\/p>\n

M\u00e9thodes:\u00a0<\/strong>Dans le but de mieux comprendre dans quelle mesure les r\u00e9ponses non-standard du capteur visuel biologique permettent de traiter le signal \u00e0 partir de m\u00e9canismes non encore \u00e9lucid\u00e9s, nous proposons d’explorer la transformation originale entr\u00e9e-sortie dans le cas de s\u00e9quence d’images naturelles en utilisant une approche variationnelle \u00e0 la au niveau m\u00e9soscopique.<\/p>\n

Le cadre g\u00e9n\u00e9ral, d\u00e9j\u00e0 bien \u00e9tabli et valid\u00e9 pour des op\u00e9rateurs visuels non-triviaux (tels que la perception du mouvement, et sa segmentation, la d\u00e9tection des \u00e9v\u00e9nements visuels, etc) permet de construire un lien entre (i) une sp\u00e9cification de haut niveau du fonctionnement du cerveau sur la fa\u00e7on dont le cerveau repr\u00e9sente et cat\u00e9gorise ses entr\u00e9es sensorielles et (ii) leur impl\u00e9mentation sous forme de r\u00e9seaux de neurones analogiques ou \u00e9v\u00e9nementiels. En se concentrant sur le traitement visuel, cette expertise en informatique de la vision permet de montrer, pour une classe assez g\u00e9n\u00e9rale de calculs, le lien entre \u00ab\u00a0ce qui est \u00e0 faire\u00a0\u00bb (t\u00e2che perceptive) avec \u00ab\u00a0comment le faire\u00a0\u00bb (calcul au sein du r\u00e9seau de neurones). Plus pr\u00e9cis\u00e9ment, en vision par ordinateur, le calcul robuste \u00e0 l’aide de processus de r\u00e9gularisation permet d’obtenir des processus d’estimation puissants et bien d\u00e9finis. Ils (i) repr\u00e9sentent ce qui doit \u00eatre fait comme un probl\u00e8me d’optimisation, (ii) consid\u00e9rant des m\u00e9canismes de r\u00e9gularisation au niveau de la mis en \u0153uvre (en utilisant ce qu’on appelle des \u00e9quations aux d\u00e9riv\u00e9s partielles) et (iii) \u00ab\u00a0compilant\u00a0\u00bb automatiquement les r\u00e9seaux neurones sous-jacents. Une approximation non biais\u00e9e d’un tel op\u00e9rateur g\u00e9n\u00e9ral de diffusion non-li\u00e9aire ont \u00e9t\u00e9 explor\u00e9es dans ce contexte (Vieville et al, 2007).<\/p>\n

Cela comprend des op\u00e9rateurs visuels non-lin\u00e9aires locaux bas\u00e9s sur des repr\u00e9sentations parcimonieuses. Nous proposons ici d’appliquer ce cadre g\u00e9n\u00e9ral dans le contexte \u00e9tudi\u00e9. Le formalisme initial doit \u00eatre revisit\u00e9 afin de concevoir des m\u00e9canismes bien-fond\u00e9 et d’apprendre les param\u00e8tres appropri\u00e9s, \u00e9tant donn\u00e9 un ensemble de donn\u00e9es d’entr\u00e9e\/sortie. Des m\u00e9thodes d’estimation multi-mod\u00e8les vont \u00eatre utilis\u00e9s, pour garantir la l’estimation d’un nombre minimal de param\u00e8tres. Le codage \u00e9v\u00e9nementiels de l’information va \u00eatre consid\u00e9r\u00e9 ici (Cessac et al, 2009).<\/p>\n

Cette mod\u00e9lisation ne va pas \u00eatre une description pr\u00e9cise des processus internes de la r\u00e9tine, mais de sa transformation entr\u00e9e \/ sortie. Le point cl\u00e9 est que nous allons \u00eatre en mesure de consid\u00e9rer les s\u00e9quences d’images naturelles (et pas des stimuli artificiels statistiquement biais\u00e9s) en entr\u00e9e, avec la n\u00e9cessit\u00e9 de consid\u00e9rer des algorithmes plus sophistiqu\u00e9s.<\/p>\n

<\/p>\n

<\/strong> \"\"<\/a><\/p>\n

\u00c9tapes de travail:<\/strong><\/p>\n

(i) Formalisation du mod\u00e8le standard de la r\u00e9tine transducteur bas\u00e9 sur des mod\u00e8les dits LN comme un processus variationnel, et analyse des limites de cette approche standard.<\/p>\n

(ii) G\u00e9n\u00e9ralisation de la m\u00e9thode originale de repr\u00e9sentations parcimonieuses, les statistiques d’image de haut niveau op\u00e9rateurs \u00e0 ce contexte.<\/p>\n

(iii) la production d’un cahier des charges pour la t\u00e2che 4 simulateur.<\/p>\n

(iv) Exp\u00e9rimentation sur les donn\u00e9es pr\u00e9trait\u00e9es par la t\u00e2che 3.<\/p>","protected":false},"excerpt":{"rendered":"

Identification non-lin\u00e9aire des comportements r\u00e9tiniens non-standard \u00e0 partir d’images naturelles. Objectif: Concevoir et d\u00e9velopper de nouveaux mod\u00e8les fonctionnels non-lin\u00e9aires des op\u00e9rateurs locaux non-standards de la r\u00e9tine sur la base de repr\u00e9sentations visuelles parcimonieuses et des m\u00e9thodes d’analyse en composants ind\u00e9pendants afin de rencontrer des m\u00e9canismes dynamiques et statistiques sophistiqu\u00e9s\u00a0 par ces modules biologiques de pr\u00e9-traitement … <\/p>\n

Lire la suite<\/a><\/p>\n","protected":false},"author":36,"featured_media":0,"parent":128,"menu_order":2,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-346","page","type-page","status-publish","hentry","nodate","item-wrap"],"_links":{"self":[{"href":"https:\/\/project.inria.fr\/keops\/fr\/wp-json\/wp\/v2\/pages\/346","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/project.inria.fr\/keops\/fr\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/project.inria.fr\/keops\/fr\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/project.inria.fr\/keops\/fr\/wp-json\/wp\/v2\/users\/36"}],"replies":[{"embeddable":true,"href":"https:\/\/project.inria.fr\/keops\/fr\/wp-json\/wp\/v2\/comments?post=346"}],"version-history":[{"count":8,"href":"https:\/\/project.inria.fr\/keops\/fr\/wp-json\/wp\/v2\/pages\/346\/revisions"}],"predecessor-version":[{"id":649,"href":"https:\/\/project.inria.fr\/keops\/fr\/wp-json\/wp\/v2\/pages\/346\/revisions\/649"}],"up":[{"embeddable":true,"href":"https:\/\/project.inria.fr\/keops\/fr\/wp-json\/wp\/v2\/pages\/128"}],"wp:attachment":[{"href":"https:\/\/project.inria.fr\/keops\/fr\/wp-json\/wp\/v2\/media?parent=346"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}