Apprentissage de Délais Synaptiques Pour La - Sophia Antipolis, France - Université Côte d'Azur

Université Côte d'Azur

Entreprise vérifiée

Sophia Antipolis, France

il y a 3 semaines

Posté par:

Sophie Dupont

beBee Recruiter

Description

**Apprentissage de délais synaptiques pour la reconnaissance de motifs spatio-temporels // Synaptic Delay Learning For Spatiotemporal Pattern Recognition**:

- Réf **ABG-122526**
**ADUM-56456**
- Sujet de Thèse- 10/04/2024- Université Côte d'Azur- Lieu de travail- SOPHIA ANTIPOLIS CEDEX - VALBONNE - France- Intitulé du sujet- Apprentissage de délais synaptiques pour la reconnaissance de motifs spatio-temporels // Synaptic Delay Learning For Spatiotemporal Pattern Recognition- Mots clés- Vision par ordinateur, Réseaux de neurones impulsionnels, Apprentissage automatique, Caméras événementielles
- Computer vision, Spiking neural networks, Machine learning, Event cameras**Description du sujet**:

- Contexte
- Le domaine de la vision par ordinateur embarquée est devenu de plus en plus important ces dernières années en raison de la demande croissante de systèmes de vision à faible latence et à faible consommation d'énergie. L'un des principaux défis dans ce domaine consiste à développer des systèmes de vision intelligents capables de traiter efficacement de grandes quantités de données visuelles tout en conservant une précision et une fiabilité élevées.
- Les réseaux neuronaux impulsionnels (SNN) sont une classe particulière de réseaux neuronaux artificiels, où les neurones communiquent par des impulsions, qui sont des signaux binaires. Lorsqu'un neurone se déclenche, le signal est transmis à d'autres neurones, ce qui augmente leur potentiel de membrane, un niveau d'activation qui est une qualité intrinsèque du neurone liée à la charge électrique de sa membrane. Le potentiel membranaire augmente avec l'arrivée d'impulsions et diminue avec le temps. Au cours de l'apprentissage, les SNN ne s'appuient pas sur la descente de gradient stochastique et la rétropropagation. Au lieu de cela, les neurones sont connectés par des synapses plastiques, qui mettent en œuvre des mécanismes d'apprentissage non supervisés inspirés de la biologie pour mettre à jour les poids synaptiques (force des connexions) ou les délais (temps de propagation d'un potentiel d'action).- Objectifs scientifiques
- L'objectif général de ce projet de recherche est de concevoir et de mettre en œuvre des modèles de vision par ordinateur basés sur des réseaux de neurones impulsionnels, adaptés aux données événementielles. L'accent sera mis sur le développement d'un algorithme d'apprentissage qui optimisera les délais synaptiques plutôt que les (ou en plus des) poids.
- La première étape consistera à étudier l'état de l'art des approches d'apprentissage des délais dans les SNN. La deuxième étape consistera à concevoir et à mettre en œuvre la règle d'apprentissage des délais. La conception garantira une capacité d'apprentissage continu du réseau qui lui donnera la possibilité de classer tout en apprenant et de s'adapter à de nouveaux motifs sans oublier les motifs précédemment appris.
- L'idée de base est de permettre aux paramètres du réseau multicouche (délais et éventuellement poids) d'être ajustés en ligne au cours d'une simulation en fonction de l'entrée actuelle et de l'historique récent. Chaque couche permet d'augmenter la complexité du motifs : la première couche serait sensible aux transitions contiguës simples, la deuxième couche pourra détecter les changements de transitions dans des fenêtres spatio-temporelles plus larges, etc. Les neurones de la couche de sortie se spécialisent chacun pour un motif donné (par exemple, un mouvement type de pixel).
- Dans un troisième temps, la règle d'apprentissage sera évaluée dans une tâche choisie de vision par ordinateur (ex : reconnaissance de gestes). Les métriques cibles dépendront des tâches sélectionnées et incluront la précision, la complexité, le temps d'apprentissage, le temps d'inférence, etc. du système.
Context
- The field of embedded computer vision has become increasingly important in recent years as the demand for low-latency and energy-efficient vision systems has grown. One of the key challenges in this area is developing intelligent vision systems that can efficiently process large amounts of visual data while still maintaining high accuracy and reliability.
- Spiking Neural Networks (SNN) are a special class of artificial neural networks, where neurons communicate via spikes, that are binary signals. When a neuron fires, the spike travels to other neurons, which increases their membrane potential, an activation level that is an intrinsic quality of the neuron related to its membrane electrical charge. The membrane potential increases with incoming spikes, and decays over time. During training, SNN do not rely on stochastic gradient descent and backpropagation. Instead, neurons are connected through plastic synapses, that implement unsupervised learning mechanisms inspired from biology for updating synaptic weights (strength of connections) or delays (propagation time for an acti