Abstract FR:

Cette these propose le modele neuronal cold, inc. Qui a ete specialement concu pour la classification de formes visuelles. Il s'agit d'un classifieur incremental comportant un grand nombre de detecteurs de segment oriente. Ces detecteurs de segment, apres une activation initiale en reponse a l'entree donnee, subissent une etape de diffusion laterale dans laquelle chaque detecteur actif contribue a l'activation de ses voisins. La configuration de leur activation finale sert d'entree a la couche suivante. Cette couche incrementale de detecteurs d'objet cree et conserve un nombre minimal de prototypes suffisants pour accomplir la tache de classification. Cold, inc. Apprend en permanence en mode supervise ou non supervise. Il ne connait pas de phases distinctes d'apprentissage et d'exploitation. En imposant a cold, inc. L'utilisation exclusive d'informations locales dans le calcul de la valeur d'activite des unites ainsi que dans la modification des parametres du reseau, on obtient un classifieur d'un tres haut degre de parallelisme. De plus, puisqu'il s'agit d'un reseau feedforward, la classification est non seulement tres rapide, mais s'effectue en un nombre constant de pas. Ce classifieur est par ailleurs concu pour etre homogene au niveau des unites d'une meme couche, ce qui permet un clonage d'un meme element qui peut etre replique tant au niveau logiciel qu'au niveau materiel. Afin de valider ce modele, cold, inc. A ete implemente en c et installe sous x11 sur une station sun4. Son utilite et son efficacite ont ete verifiees sur des images de chiffres manuscrits. Sa haute capacite de generalisation valide la complementarite entre la representation d'entree choisie et la mesure de similitude definie. De plus, la tolerance observee vis-a-vis de bruits aleatoires de tres hauts niveaux et de deformations de pattern justifie un peu plus l'utilisation de detecteurs de segments pour la classification de formes visuelles