Modeles connexionnistes appliques a la compression d'images et a l'auto-organisation du systeme visuel des mammiferes.

Résumé L'algorithme de retropropagation de gradient a ete utilise pour comprimer des images sur des reseaux multi couches en autoassociation. La solution obtenue par le reseau apres apprentissage est realisee d'une facon tres differente de celle des methodes classiques. Une etude theorique sur la convexite de l'espace des solutions a permis d'ameliorer la vitesse de convergence du reseau en imposant des contraintes sur les poids synaptiques. Dans le but d'ameliorer les resultats visuels de compression d'images, nous avons introduit, dans l'algorithme de retropropagation la minimisation des normes de holder. Cet algorithme s'avere etre alors un outil tres efficace et apporte des solutions nouvelles au probleme de compression d'images. Notre deuxieme tache a ete d'etudier et de generaliser un modele d'auto-organisation pour expliquer la formation et l'organisation des cellules caracteristiques du systeme visuel des mammiferes pendant la periode prenatale puis postnatale. Nous proposons un modele statistique pour etudier l'evolution postnatale. Nous proposons un modele statistique pour etudier l'evolution postnatale des colonnes d'orientation de la couche iv du cortex visuel en simulant les premieres experiences visuelles de l'animal sur la retine apres la naissance (obscurite, milieux biaisees, milieux visuels normaux). Notre modele prend en compte les observations neurobiologiques recentes sur le developpement des connections intra-corticales. Nos simulations retrouvent les resultats neurobiologiques montrant l'existence de connexions intra-corticales excitatrices entre des cellules selectives aux memes orientations, et appartenant a des hypercolonnes differentes.