Codage neural parcimonieux pour un système de vision

Résumé : Les réseaux de neurones ont connu un vif regain d’intérêt avec le paradigme de l'apprentissageprofond ou deep learning. Alors que les réseaux dits optimisés, de par l'optimisation des paramètres nécessaires pour réaliser un apprentissage, nécessitent de fortes ressources de calcul, nous nous focalisons ici sur des réseaux de neurones dont l'architecture consiste en une mémoire au contenu adressable, appelées mémoires associatives neuronales. Le défi consiste à permettre la réalisation d'opérations traditionnellement obtenues par des calculs en s'appuyant exclusivement sur des mémoires, afin de limiter le besoin en ressources de calcul. Dans cette thèse, nous étudions une mémoire associative à base de clique, dont le codage neuronal parcimonieux optimise la diversité des données codées dans le réseau. Cette grande diversité permet au réseau à clique d'être plus performant que les autres mémoires associatives dans la récupération des messages stockés en mémoire. Les mémoires associatives sont connues pour leur incapacité à identifier sans ambiguïté les messages qu'elles ont préalablement appris. En effet, en fonction de l'information présente dans le réseau et de son codage, une mémoire peut échouer à retrouver le résultat recherché. Nous nous intéressons à cette problématique et proposons plusieurs contributions afin de réduire les ambiguïtés dans le réseau. Ces réseaux à clique sont en outre incapables de récupérer une information au sein de leurs mémoires si le message à retrouver est inconnu. Nous proposons une réponse à ce problème en introduisant une nouvelle mémoire associative à base de clique qui conserve la capacité correctrice du modèle initial tout en étant capable de hiérarchiser les informations. La hiérarchie s'appuie sur une transformation surjective bidirectionnelle permettant de généraliser une entrée inconnue à l'aide d'une approximation d'informations apprises. La validation expérimentale des mémoires associatives est le plus souvent réalisée sur des données artificielles de faibles dimensions. Dans le contexte de la vision par ordinateur, nous présentons ici les résultats obtenus avec des jeux de données plus réalistes etreprésentatifs de la littérature, tels que MNIST, Yale ou CIFAR.
Type de document :
Thèse
Informatique. Université de Bretagne Sud, 2017. Français. 〈NNT : 2017LORIS439〉
Liste complète des métadonnées

Littérature citée [143 références]  Voir  Masquer  Télécharger

https://tel.archives-ouvertes.fr/tel-01706882
Contributeur : Abes Star <>
Soumis le : lundi 12 février 2018 - 12:47:05
Dernière modification le : mercredi 16 mai 2018 - 11:24:11
Document(s) archivé(s) le : dimanche 6 mai 2018 - 16:55:21

Fichier

2017theseHuetR.pdf
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01706882, version 1

Citation

Romain Huet. Codage neural parcimonieux pour un système de vision. Informatique. Université de Bretagne Sud, 2017. Français. 〈NNT : 2017LORIS439〉. 〈tel-01706882〉

Partager

Métriques

Consultations de la notice

374

Téléchargements de fichiers

189