Du signal sensoriel (extraction de caractéristiques) à la reconnaissance des formes (analyse des données)

Par Jeanny Hérault, professeur d’Université retraité, qui a dirigé le Master de Sciences cognitives de Grenoble et une équipe Réseaux neuronaux et perception visuelle.

Mardi 27 Février 2018 – 18h-20h Maison des Associations de Grenoble, 6, rue Berthe de Boissieux – salle 319 – Entrée libre dans la limite des places.

Le cerveau est en permanence sollicité par des stimuli sensoriels ou somesthésiques. Pour les interpréter, il doit effectuer plusieurs tâches préalables : prétraiter chaque signal en vue de l’extraction de son contenu informationnel, analyser ses caractéristiques puis en résoudre les variabilités (i.e. un objet est toujours le même quand il est tourné ou vu en perspective). Ensuite, considérant que ces signaux sont multiples (plusieurs centaines à plusieurs milliers de composantes), le cerveau doit procéder à un apprentissage et à une analyse de données en grandes dimensions, pour aboutir à des opérations de classification et de reconnaissance.

On prendra comme exemple celui du système visuel, qui permet d’illustrer les notions précédentes. On verra comment le traitement rétinien permet de résorber les bruits des capteurs et de s’affranchir des variations de l’illumination, ensuite on verra comment la projection rétino-corticale permet de transformer des mouvements complexes en mouvements simples et comment l’aire visuelle primaire extrait des caractéristiques insensibles aux translations et permet d’extraire l’information de perspective. Puis on évoquera comment l’aire visuelle V4 peut constituer une analyse invariante aux effets de taille et de rotation d’un objet. C’est ici que les signaux atteignent les aires associatives, dont le fonctionnement est moins bien connu. C’est aussi probablement à ce niveau que le cerveau procède à une analyse de données en grandes dimensions.

Comme la biologie ne nous renseigne pas (encore) sur les processus mis en jeu, nous allons examiner les techniques mathématiques et informatiques qui abordent ce problème, en ayant donné au préalable quelques propriétés des données en grandes dimensions (la fameuse « malédiction de la dimensionnalité » !). On donnera ensuite divers exemples d’analyse de données au moyen de réseaux de neurones artificiels : cartes de Kohonen, Analyse en Composantes Curvilinéaires, réseaux de neurones à « apprentissage profond ».

En conclusion, on pourra deviser sur le futur de ces techniques grâce à l’augmentation galopante des puissances de calcul, sur leur utilité et sur les risques de l’intelligence artificielle.