Jean-Cédric CHAPPELIER
Directeur de thèse : Alain GRUMBACH
Groupe : Intelligence Artificielle
Laboratoire d'accueil :
Département Informatique, TELECOM Paris
Date de soutenance :
11 Janvier 1996
English version
Une architecture connexionniste pour
la prise en compte de relations spatiales et temporelles.
Après le renouveau des années 80 et les succès de l'application des
réseaux de neurones à la reconnaissance des formes statiques, un nouveau
défi se pose : celui du traitement temporel de formes dynamiques. Le
but de cette recherche est de concevoir et expérimenter une architecture
neuromimétique novatrice, possédant des capacités de traitement
spatio-temporel. Elle est fondée sur les deux principes suivants :
- une structure de réseau qui prend en compte les
voisinages spatiaux (comme ceux qui existent par
exemple entre les pixels d'une image),
- un modèle temporel de neurone inspiré de
considérations biologiques.
Nous proposons tout d'abord une étude des travaux proches des nôtres.
Ainsi concernant l'aspect spatial, nous avons été amenés à reproduire
les travaux de Linsker (1986). Concernant l'aspect temporel, nous avons
approfondi le problème de la modélisation informatique du neurone
biologique.
Nous présentons ensuite deux nouvelles architectures neuromimétiques :
- Kohotemp, une généralisation temporelle des cartes
topologiques de Kohonen. Le principe de cette
approche est de considérer comme espace d'entrée de
la carte, non pas un espace purement spatial comme
cela est classiquement effectué, mais l'espace (de
dimension a priori infinie) des fonctions du temps.
La carte partitionne alors cet espace de fonctions
et, ce faisant, prend en compte de façon précise le
déroulement temporel.
- RST, un réseau << feed-forward >>, doté de
prédispositions pour traiter des informations
spatiales et temporelles. Concernant l'aspect
spatial, le graphe de ce réseau est plongé dans un
espace (plan ou volume) dont la métrique influence
directement ses caractéristiques : liaisons
établies de façon probabiliste en fonction de la
distance entre neurones et de leurs positions
relatives. Concernant l'aspect temporel, nous
utilisons un modèle temporel de neurone, de type
<< Integrate and Fire >>, générant des potentiels
d'action et modulé par une période réfractaire.
Nous décrivons enfin l'application des architectures présentées à des
problèmes de reconnaissances de formes dynamiques : authentification de
signature (Kohotemp) et détection et localisation de mouvement (RST).
Publications
1996
- (Grumbach 96a)
C. CHAPPELIER, A. GRUMBACH,
"A Kohonen map for temporal sequences",
Actes de la conférence Neurap, Marseille, 1996
- (Grumbach 96b)
C. CHAPPELIER, A. GRUMBACH,
"RST : a spatiotemporal neural network"
dans Spatiotemporal models in biologiclal and artificial systems,
F.L. Silva et al (Eds.), IOS Press, 1996
1995
- (Chappelier 95a)
J.C. CHAPPELIER,
A. GRUMBACH,
"A Kohonen Map for Temporal Sequences",
in
NEURAP Conference ,
December 1995, Marseille.
1994
- (Chappelier 94a)
J.C. CHAPPELIER,
A. GRUMBACH,
"Time in neural networks",
in
Sigart Bulletin , 5(3),
july 1994.
- (Chappelier 94b)
J.C. CHAPPELIER,
A. GRUMBACH,
"Une architecture pour la prise en compte
de correlations spatiales et temporelles",
in proceedings of
7ème Journées NSI ,
Chamonix (France),
may 1994.
Email : chaps@lia.di.epfl.ch
Page maintenue par Jean-Philippe COTTIN (cottin@inf.enst.fr)
et Patrick BELLOT (bellot@inf.enst.fr)
Jean-Cédric CHAPPELIER