• Langue : Français
• Discipline : Electronique
• Identifiant : Inconnu
• Type de thèse : Doctorat
• Date de soutenance : 01/01/1996

Résumé en langue originale

CE MEMOIRE DE THESE TRAITE D'UN MODELE GENERIQUE DE RESEAUX DE NEURONES POUR LA MINIMISATION DE FONCTIONNELLES DE TYPE QUADRATIQUE. L'APPLICATION PARTICULIERE A L'ESTIMATION DU MOUVEMENT DANS DES SEQUENCES D'IMAGES EST PRESENTEE. DE NOMBREUX PROBLEMES DE TRAITEMENT DES IMAGES S'EXPRIMENT SOUS LA FORME D'UNE FONCTIONNELLE A MINIMISER. CES DERNIERS SONT POUR LA MAJORITE D'ENTRE EUX MAL POSES AU SENS DEFINI PAR HADAMARD, ET NECESSITENT DE RECOURIR A DES TECHNIQUES DE REGULARISATION. LA RESOLUTION DE TELS PROBLEMES REGULARISES FAIT ALORS APPEL A DES TECHNIQUES D'OPTIMISATION. LES RESEAUX DE NEURONES ARTIFICIELS SE COMPOSENT D'UN GRAND NOMBRE D'UNITES ELEMENTAIRES OPERANT EN PARALLELE ; CES UNITES SE DESIGNENT SOUS LE TERME DE NEURONES OU NEURONES FORMELS. DE TELS SYSTEMES CONNEXIONNISTES PEUVENT ASSURER DES TACHES DE HAUT NIVEAU TELLES QUE LA RECONNAISSANCE DES FORMES, LA CLASSIFICATION, L'OPTIMISATION... NOUS PRESENTONS UNE METHODOLOGIE NEURONALE DONT LE PRINCIPE CONSISTE A CODER LA SOLUTION DES PROBLEMES D'OPTIMISATION EN TERMES D'ETATS DE NEURONE, QUI SONT LES VARIABLES DISCRETES D'UN ESPACE EUCLIDIEN. LE RESEAU DE NEURONES PROPOSE EST FONDE SUR LE MODELE DISCRET DE HOPFIELD. NOUS L'APPLIQUONS A L'ESTIMATION DU MOUVEMENT DANS DES SEQUENCES D'IMAGES, PROBLEME QUI NOUS PERMET DE FAIRE UNE ANALYSE DE NOTRE APPROCHE LA PLUS COMPLETE. NOS RESULTATS SONT COMPARES AVEC CEUX OBTENUS PAR L'APPROCHE CLASSIQUE PROPOSEE PAR HORN ET SCHUNK. NOUS NOUS ETENDONS ENSUITE AU CAS DU MOUVEMENT D'OBJETS DEFORMABLES ET MONTRONS LA NATURE GENERIQUE DE CE RESEAU