Thèse Comment Traiter des Flux Vidéo d'Une Caméra Événementielle avec des Réseaux de Neurones à Spikes H/F - Doctorat.Gouv.Fr

Établissement : CY Cergy Paris Université École doctorale : ED EM2PSI - Économie, Management, Mathématiques, Physique et Sciences Informatiques Laboratoire de recherche : ETIS - Equipes Traitement de l'Information et Systèmes Direction de la thèse : Mathias QUOY ORCID 000000033345380X Début de la thèse : 2026-10-01 Date limite de candidature : 2026-09-15T23:59:59 Les modèles actuels récupérant des données de caméras événementielles reconstruisent des images de pixels sur lesquelles peuvents'appliquer des algorithmes de traitement d'image. Ainsi le caractère asynchrone et événementiel est finalement peu pris en compte.Un modèle reposant sur des réseaux de neurones à spikes permettrait de rester fidèle à la dynamique des entrées et donnerait lieu àdes algorithmes novateurs dépassant les chaînes de traitement actuelles. Les modèles actuels récupérant des données de caméras événementielles reconstruisent des images de pixels sur lesquelles peuvent s'appliquer des algorithmes de traitement d'image. Ainsi le caractère asynchrone et événementiel est finalement peu pris en compte. Un modèle reposant sur des réseaux de neurones à spikes permettrait de rester fidèle à la dynamique des entrées et donnerait lieu à des algorithmes novateurs dépassant les chaînes de traitement actuelles [Vicente-Sola et al., 2025 ; Cuadrado et al., 2023 ; Rançon et al., 2022]. Proposer un modèle de réseau de neurones à spikes permettant de traiter les informations d'une caméra événementielle Le travail proposé repose sur la combinaison des compétences acquises par Camille Simon-Chane (ENSEA-ETIS) en traitement desdonnées issues de caméras événementielles et par Mathias Quoy (CYU-ETIS) en modèles computationnels de neurones à spikes.
Le but est de former des mémoires dynamiques dans un réseau de neurones à spikes [Bergoin et al., 2025] à partir des entrées d'unecaméra événementielle. En effet, nous avons montré que les neurones inhibiteurs étaient cruciaux pour la formation de clusters deneurones actifs déchargeant de manière synchrone en présence d'une entrée apprise. Nous avons aussi montré que nous pouvionsmaintenir l'apprentissage tout au long de l'expérience, supprimant alors l'artificielle séparation entre une phase d'apprentissage et unephase d'utilisation.

IA, réseaux de neurones, traitement d'images
Programmation Python