Feedback

Faculté de Psychologie, Logopédie et Sciences de l’Education
Faculté de Psychologie, Logopédie et Sciences de l’Education
MASTER THESIS
VIEW 30 | DOWNLOAD 48

Modélisation de la familiarité grâce à la combinaison d'un réseau profond avec un apprentissage Hebbien

Download
Read, John ULiège
Promotor(s) : Sougné, Jacques ULiège
Date of defense : 29-Aug-2022/6-Sep-2022 • Permalink : http://hdl.handle.net/2268.2/16184
Details
Title : Modélisation de la familiarité grâce à la combinaison d'un réseau profond avec un apprentissage Hebbien
Translated title : [en] Modeling familiarity through the combination of deep learning and Hebbian training
Author : Read, John ULiège
Date of defense  : 29-Aug-2022/6-Sep-2022
Advisor(s) : Sougné, Jacques ULiège
Committee's member(s) : Defays, Daniel ULiège
Bastin, Christine ULiège
Language : French
Number of pages : 108
Keywords : [fr] Mémoire de reconnaissance
[fr] Familiarité
[fr] Connexionnisme
[fr] Modélisation cognitive
[fr] Deep Learning
[fr] Apprentissage Hebbien
Discipline(s) : Social & behavioral sciences, psychology > Theoretical & cognitive psychology
Social & behavioral sciences, psychology > Neurosciences & behavior
Complementary URL : https://github.com/JRead98/master.git
Institution(s) : Université de Liège, Liège, Belgique
Degree: Master en sciences psychologiques, à finalité spécialisée en psychologie clinique
Faculty: Master thesis of the Faculté de Psychologie, Logopédie et Sciences de l’Education

Abstract

[fr] Les théories actuelles postulent que la reconnaissance peut s’effectuer selon deux processus indépendants mais qui agissent en parallèle : la recollection et la familiarité (Yonelinas, 2002). Par le passé, plusieurs modèles computationnels ont tenté de reproduire artificiellement le sentiment de familiarité, afin d’apporter du soutien à ces théories des deux processus et ainsi comprendre les mécanismes qui sous-tendent la familiarité (Bogacz & Brown, 2003 ; Kazanovich & Borisyuk, 2021).

Dans ce mémoire, nous avons programmé un modèle de neurones artificiels pour la reconnaissance par familiarité sur des images naturelles dans le cortex périrhinal. Ce modèle a été conçu comme un système en deux étapes. Dans la première étape, nous utilisons ResNet50, un réseau profond convolutif (RPC) pré-entraîné pour extraire les caractéristiques d’une image (He et al., 2016). Dans la seconde étape, un réseau de neurones deux-couches à propagation avant, utilisant une règle d’apprentissage Hebbienne (Hebb, 1949), est utilisé pour la décision de familiarité à propos d’une image.

Nous avons implémenté une tâche de reconnaissance à choix forcés et réalisé quatre simulations afin de tester les capacités de notre modèle. Premièrement, le modèle montre une capacité de mémoire allant jusqu’à 40 images. Deuxièmement, il présente un effet de récence lorsque le nombre d’images qui lui est présentée à l’entraînement ne dépasse pas sa capacité mnésique. Troisièmement, le modèle performe significativement moins bien lorsque les images présentées lors de la tâche de reconnaissance appartiennent toutes à la même catégorie sémantique, montrant ainsi un effet de la similarité sur ses performances. Finalement, le modèle parvient à reconnaitre des visages lorsque ceux-ci sont présentés dans différentes positions avec une précision supérieure à 75%.


File(s)

Document(s)

File
Access s164696Read2022.pdf
Description:
Size: 3.18 MB
Format: Adobe PDF
File
Access Erratum_s164696Read2022.pdf
Description: -
Size: 109.65 kB
Format: Adobe PDF

Author

  • Read, John ULiège Université de Liège > Master sc. psycho., à fin.

Promotor(s)

Committee's member(s)

  • Defays, Daniel ULiège Université de Liège - ULiège > Département de Psychologie > Département de Psychologie
    ORBi View his publications on ORBi
  • Bastin, Christine ULiège Université de Liège - ULiège > Département des sciences cliniques > Département des sciences cliniques
    ORBi View his publications on ORBi
  • Total number of views 30
  • Total number of downloads 48










All documents available on MatheO are protected by copyright and subject to the usual rules for fair use.
The University of Liège does not guarantee the scientific quality of these students' works or the accuracy of all the information they contain.