Abstract FR:

A la frontiere entre neurosciences et intelligence artificielle, les neurosciences computationnelles tentent de comprendre les formidables capacites de calcul du cerveau, notamment l'efficacite du traitement de l'image par le systeme visuel. Mon travail est un double travail experimental et de modelisation. Dans la partie experimentale, je tente de determiner les raisons qui font la precision et la rapidite des processus visuels. On presente brievement (20-30 ms) des photographies contenant ou non des animaux au sujet qui doit relacher un bouton quand l'image contient un animal. Le singe macaque realise cette tache avec une precision legerement inferieure a celle de l'homme mais avec une plus grande rapidite. Je tente ensuite de contraindre la categorisation pour determiner le role a la fois des proprietes intrinseques des images - couleur, luminance, nombre d'animaux presents, parties visibles de leurs corps, espece de l'animal - mais aussi de leurs proprietes extrinseques - condition de presentation, effet de sequence, familiarite du stimulus, consigne bien que certaines conditions accelerent la categorisation, les reponses les plus precoces (dont on montre qu'elles ne sont pas specifiques de certaines images), et les enregistrements eegs correspondant au traitement de l'image ne sont que tres peu affectes. Cela implique donc un traitement rapide massivement parallele - quasiment automatique - des informations visuelles, ou chaque neurone du systeme visuel peut difficilement emettre plus d'une decharge. A partir de ces contraintes, et de celles imposees par la structure du systeme visuel, j'ai construit un simulateur biologiquement plausible (spikenet) qui permet de simuler le comportement des neurones reels (de la detection de barres orientees jusqu'a la reconnaissance de visages). Les performances de ces modeles sont etonnantes du point de vue du traitement d'image et rivalisent avec les approches classiques en intelligence artificielle.