Amélioration des cartes auto-organisatrices avec l’extraction non supervisée de caractéristiques

La Carte Auto-Organisatrice (CAO) est un modèle neuronal inspiré du cerveau qui présente un grand potentiel pour l'apprentissage non supervisé, en particulier dans les applications embarquées. Cependant, elle est incapable d'apprendre des prototypes efficaces lorsqu'elle traite des jeux de données complexes. Dans cette étude, nous proposons d'améliorer les performances de la CAO en utilisant des caractéristiques extraites plutôt que des données brutes. Nous menons une étude comparative sur la précision de classification de la CAO avec l'extraction de caractéristiques non supervisée, en utilisant deux approches différentes : une approche d'apprentissage automatique avec des Auto-Encodeurs Convolutifs Épars utilisant un apprentissage basé sur les gradients, et une approche neuroscientifique avec des Réseaux Neuronaux à Impulsions (RNI) utilisant un apprentissage par Plasticité Dépendante du Temps des Impulsions (PDTI). La CAO est formée sur les caractéristiques extraites, puis très peu d'échantillons étiquetés sont utilisés pour associer chaque neurone à sa classe correspondante. Nous examinons l'impact des cartes de caractéristiques, de la taille de la CAO et de la taille du sous-ensemble étiqueté sur la précision de classification en utilisant différentes méthodes d'extraction de caractéristiques. Nous améliorons la classification de la CAO de +6,09 % et atteignons des performances au niveau de l'état de l'art en classification d'images non supervisée.