Comprendre la perception visuelle à l’aide de modèles de textures naturelles / Understanding visual perception using natural texture models
vendredi 27 novembre 2020, 11h00 - 12h00
L’étude de la perception visuelle nécessite une approche hautement interdisciplinaire: de la psychologie cognitive et de la neurophysiologie aux mathématiques et sciences informatiques. Je me concentrerai ici sur des aspects de mon travail impliquant de la synthèse de textures et des modèles de segmentation d’images naturelles. De la synthèse d’images à l’analyse des données, en passant par la conception expérimentale, je démontrerai à quel point le développement de ces modèles d’images est crucial pour progresser dans notre compréhension de la perception visuelle.
Une des principales hypothèses en neurosciences est que le cerveau utilise des probabilités pour tenir compte des incertitudes du monde qu’il perçoit. Pour cette raison, mon travail repose principalement sur des modèles probabilistes. Pour faire simple, l’idée est de saisir les corrélats de l’incertitude des images en psychophysique expérimentale et en neurophysiologie.
Dans ma présentation, j’utiliserai des concepts tels que les champs gaussiens stationnaires, les équations différentielles partielles stochastiques, les probabilités et l’inférence Bayésiennes, le transport optimal, les modèles de mélange et la théorie de l’information.
Studying visual perception requires a highly interdisciplinary approach: from cognitive psychology and neurophysiology to mathematics and computer sciences. I will focus here on aspects of my work involving texture synthesis and natural image segmentation models. From image synthesis and experimental design to data analysis, I will demonstrate how the development of these models is crucial to make further progress in visual perception understanding.
A leading hypothesis in neurosciences is that the Brain uses probabilities to manage uncertainties of the perceived world. For that reason, my work relies mostly on probabilistic models. To put it simply, the idea is to catch correlates of images uncertainty in experimental psychophysics and neurophysiology.
Along my presentation I will use concept such as Stationary Gaussian Fields, Stochastic Partial Differential Equations, Bayesian Probabilities and Inference, Optimal Transport, Mixture Models and Information Theory.
