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

Abstract

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%.