Une approche courante en modélisation est de stipuler :

• l'existence d'une chaîne de traitement séquentielle et hiérarchique,
• des organes des sens vers des centres de traitement de plus en plus spécialisés,
• conduisant à l'identification d'un objet de l'environnement
• vis à vis duquel un programme moteur adéquat peut être déclenché.

Selon cette approche, il y a un programme superviseur, un tableau de branchement qui associe les réponses motrices aux situations identifiées.

Dans une chaîne de traitement séquentiel,

• chaque couche de traitement est constituée d'un certain nombre de filtres sélectionnant certaines caractéristiques de la scène sensorielle.
• Puis les couches suivantes effectuent des combinaisons de ces filtres,
• puis les suivantes des combinaisons de combinaisons etc.

On parle de "pattern matching".

l’apprentissage artificiel est un domaine de l’informatique qui questionne les propriétés de calculateurs capables d’apprendre:

• Un calculateur se caractérise par son schéma de calcul $G$ capable de produire un résultat $u$ à partir des opérandes $I$.

$$ u = f(x,I,G)$$

• Les résultats peuvent être corrects ou erronés.
• Définir un algorithme d’apprentissage revient donc à modifier le schéma de calcul de manière à ce qu’il produise moins d’erreurs.
• par exemple à l’aide d’une fonction de coût $J$ : l’apprentissage se définit alors comme un problème d’optimisation sous contraintes)

$$ G^* = \arg\min_G J(G) $$

Cette organisation de l’espace en regions:

• repose sur des operateurs d’appariement permettant de comparer
  • les donnees d’entree
  • avec un dictionnaire de formes stockées en memoire.
• Cette série de comparaisons est suivie par une délibération qui,
  • par comparaison de scores d’appariement,
  • va permettre de désigner la classe presentant le meilleur score.

Le "pattern matching" (correspondance de forme) est l'opération consistant à mettre en correspondance

• un modèle $\boldsymbol{w}$ (patron)
• avec une forme $\boldsymbol{I}$ (signal),
• dans le cas le plus simple via un produit scalaire $\langle\boldsymbol{w},\boldsymbol{I}\rangle$

La recherche de correspondances est réalisée en général :

• de manière centralisée
  • dans les modèles d’appariement discret
  • et dans les modèles probabilistes.

Si $\{\boldsymbol{w}_1, ..., \boldsymbol{w}_K\}$ est un ensemble de caractéristiques à détecter dans le signal, l'opération de correspondance de forme consiste à sélectionner la caractéristique la plus similaire au signal, soit: $$ \hat{k}=\arg\max_k \langle \boldsymbol{w}_k,\boldsymbol{I}\rangle $$

On utilisera ici le terme "appariement" comme traduction de "pattern matching".

L'apprentissage de vecteurs caractéristiques est au cœur de l'apprentissage automatique,

• où les patrons caractéristiques sont déduits des données présentées.
• Différents algorithmes permettent de construire de telles chaînes de traitement de manière automatique
  • à partir d'une simple base d'exemples,
  • via des mécanismes d'"auto-encodage".
• Le calcul réalisé par les neurones est dans ce cas
  • le degré d'appartenance (ou de correspondance) à un patron donné,
  • sur un intervalle borné (en général entre 0 et 1).
• L'opération répétée sur de multiples neurones
  • produit de nombreux degrés d'appartenance,
  • cet ensemble de degrés d'appartenance pouvant lui-même être interprété comme une nouvelle forme pour un traitement ultérieur (sur le principe du "deep learning" Hinton2006 par exemple),
  • constituant un principe de calcul distribué efficace.

En modélisation neuronale, cette approche se traduit par le terme de ``champ récepteur'',

• avec une réponse maximale de la cellule lorsque le signal correspond à la forme fixée HUBELWIESEL62.
• Elle donne naissance à la reconnaissance par dictionnaire de formes, très utilisée à la fois en traitement d'images et pour les modèles de la perception visuelle Rao1999.