Champ neuronal et apprentissage profond de topologies pour la fusion multimodale - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Champ neuronal et apprentissage profond de topologies pour la fusion multimodale

Résumé

Des agents artificiels tels que des robots ont souvent intérêt à fusionner des données issues de différentes modalités. Pour cela, il peut être pertinent de prendre en compte les variations dans la structure et la résolution des topologies sous-jacentes aux espaces sensoriels. Nous proposons d'utiliser un champ neuronal dynamique pour sélectionner des stimuli dans un contexte multimodal. Nous avions adapté le modèle à des topologies apprises (par des gaz neuronaux croissants notamment) pour la fusion, nous l'étendons maintenant en insérant un auto-encodeur pour réduire la dimensionnalité des données d'entrée.
Fichier principal
Vignette du fichier
Forest(1).pdf (1.5 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04164249 , version 1 (18-07-2023)

Identifiants

  • HAL Id : hal-04164249 , version 1

Citer

Simon Forest, Jean-Charles Quinton, Mathieu Lefort. Champ neuronal et apprentissage profond de topologies pour la fusion multimodale. CNIA 2023 - Conférence Nationale en Intelligence Artificielle, PFIA, Jul 2023, Strasbourg, France. pp.40-49. ⟨hal-04164249⟩
44 Consultations
43 Téléchargements

Partager

Gmail Facebook X LinkedIn More