La perception de notre environnement repose sur les informations sensorielles reçues, mais aussi sur nos a priori. Dans le cadre Bayésien, ces a priori capturent les régularités de notre environnement et sont essentiels pour inférer les causes de nos sensations. Récemment, les théories du cerveau Bayésien ont été appliquées à l'autisme pour tenter d'en expliquer les symptômes. Les troubles du spectre de l'autisme (TSA) sont caractérisés par des difficultés de compréhension des interactions sociales, par des comportements restreints et répétitifs, et par une perception sensorielle atypique.Cette thèse vise à caractériser l'inférence et l'apprentissage perceptifs dans les TSA, en étudiant la sensorialité et la construction d'a priori. Nous avons utilisé des tests comportementaux, des modèles computationnels, des questionnaires, de l'imagerie fonctionnelle et de la spectroscopie par résonnance magnétique chez des adultes avec ou sans TSA. La définition des profils sensoriels de personnes avec des hauts quotients autistiques a été affinée grâce à un questionnaire dont nous avons validé la traduction française. En explorant les stratégies d'apprentissage perceptif, nous avons ensuite montré que les personnes avec TSA étaient moins enclines à spontanément utiliser une mode d'apprentissage permettant de généraliser. L'étude de la construction implicite des a priori a montré que les personnes avec TSA étaient capables d'apprendre un a priori, mais l'ajustaient difficilement suite à un changement de contexte. Enfin, l'étude des corrélats neurophysiologiques de l'inférence perceptive a révélé un réseau cérébral et une neuromodulation différents dans les TSA.L'ensemble de ces résultats met en lumière une perception atypique dans les TSA, marquée par un apprentissage et une pondération anormale des a priori. Une approche Bayésienne des TSA pourrait améliorer leur caractérisation, diagnostics et prises en charge / How we perceive our environment relies both on sensory information and on our priors or expectations. Within the Baysian framework, these priors capture the underlying statistical regularities of our environment and allow inferring sensation causes. Recently, Bayesian brain theories suggested that autistic symptoms could arise from an atypical weighting of sensory information and priors. Autism spectrum disorders (ASD) is characterized defined by difficulties in social interactions, by restricted and repetitive patterns of behaviors, and by an atypical sensory perception.This thesis aims at characterizing perceptual inference and learning in ASD, and studies sensory sensitivity and prior learning. This was investigated using behavioral tasks, computational models, questionnaires, functional magnetic resonance imaging and magnetic resonance spectroscopy in adults with or without ASD. Sensory profiles in people with high autism spectrum quotients were first refined, using a questionnaire that we validated in French. The study of perceptual learning strategies then revealed that subjects with ASD were less inclined to spontaneously use a learning style enabling generalization. The implicit learning of priors was explored and showed that subjects with ASD were able to build up a prior but had difficulties adjusting it in changing contexts. Finally, the investigation of the neurophysiological correlates and molecular underpinnings of a similar task showed that perceptual decisions biased by priors relied on a distinct neural network in ASD, and was not related to the same modulation by the glutamate/GABA ratio.The overall results shed light on an atypical learning and weighting of priors in ASD, resulting in an abnormal perceptual inference. A Bayesian approach could help characterizing ASD and could contribute to ASD diagnosis and care

Ce travail de thèse se penche sur le problème de la localisation de sources acoustiques à partir de signaux déterministes et aléatoires mesurés par un réseau de microphones. Le problème est résolu dans un cadre statistique, par estimation via la méthode du maximum de vraisemblance. La pression mesurée par un microphone est interprétée comme étant un mélange de signaux latents émis par les sources. Les positions et les amplitudes des sources acoustiques sont estimées en utilisant l’algorithme espérance-maximisation (EM). Dans cette thèse, deux types d’incertitude sont également pris en compte : les positions des microphones et le nombre d’onde sont supposés mal connus. Ces incertitudes sont transposées aux données dans le cadre théorique des fonctions de croyance. Ensuite, les positions et les amplitudes des sources acoustiques peuvent être estimées en utilisant l’algorithme E2M, qui est une variante de l’algorithme EM pour les données incertaines.La première partie des travaux considère le modèle de signal déterministe sans prise en compte de l’incertitude. L’algorithme EM est utilisé pour estimer les positions et les amplitudes des sources. En outre, les résultats expérimentaux sont présentés et comparés avec le beamforming et la holographie optimisée statistiquement en champ proche (SONAH), ce qui démontre l’avantage de l’algorithme EM. La deuxième partie considère le problème de l’incertitude du modèle et montre comment les incertitudes sur les positions des microphones et le nombre d’onde peuvent être quantifiées sur les données. Dans ce cas, la fonction de vraisemblance est étendue aux données incertaines. Ensuite, l’algorithme E2M est utilisé pour estimer les sources acoustiques. Finalement, les expériences réalisées sur les données réelles et simulées montrent que les algorithmes EM et E2M donnent des résultats similaires lorsque les données sont certaines, mais que ce dernier est plus robuste en présence d’incertitudes sur les paramètres du modèle. La troisième partie des travaux présente le cas de signaux aléatoires, dont l’amplitude est considérée comme une variable aléatoire gaussienne. Dans le modèle sans incertitude, l’algorithme EM est utilisé pour estimer les sources acoustiques. Dans le modèle incertain, les incertitudes sur les positions des microphones et le nombre d’onde sont transposées aux données comme dans la deuxième partie. Enfin, les positions et les variances des amplitudes aléatoires des sources acoustiques sont estimées en utilisant l’algorithme E2M. Les résultats montrent ici encore l’avantage d’utiliser un modèle statistique pour estimer les sources en présence, et l’intérêt de prendre en compte l’incertitude sur les paramètres du modèle. / This work addresses the problem of multiple sound source localization for both deterministic and random signals measured by an array of microphones. The problem is solved in a statistical framework via maximum likelihood. The pressure measured by a microphone is interpreted as a mixture of latent signals emitted by the sources; then, both the sound source locations and strengths can be estimated using an expectation-maximization (EM) algorithm. In this thesis, two kinds of uncertainties are also considered: on the microphone locations and on the wave number. These uncertainties are transposed to the data in the belief functions framework. Then, the source locations and strengths can be estimated using a variant of the EM algorithm, known as Evidential EM (E2M) algorithm. The first part of this work begins with the deterministic signal model without consideration of uncertainty. The EM algorithm is then used to estimate the source locations and strengths : the update equations for the model parameters are provided. Furthermore, experimental results are presented and compared with the beamforming and the statistically optimized near-field holography (SONAH), which demonstrates the advantage of the EM algorithm. The second part raises the issue of model uncertainty and shows how the uncertainties on microphone locations and wave number can be taken into account at the data level. In this case, the notion of the likelihood is extended to the uncertain data. Then, the E2M algorithm is used to solve the sound source estimation problem. In both the simulation and real experiment, the E2M algorithm proves to be more robust in the presence of model and data uncertainty. The third part of this work considers the case of random signals, in which the amplitude is modeled by a Gaussian random variable. Both the certain and uncertain cases are investigated. In the former case, the EM algorithm is employed to estimate the sound sources. In the latter case, microphone location and wave number uncertainties are quantified similarly to the second part of the thesis. Finally, the source locations and the variance of the random amplitudes are estimated using the E2M algorithm.

Cette thèse porte sur le codage prédictif comme principe général pour la perception et vise à en étayer les mécanismes computationnels et neurophysiologiques dans la modalité auditive. Ce codage repose sur des erreurs de prédictions se propageant dans une hiérarchie, et qui pourraient se refléter dans des réponses cérébrales au changement (ou déviance) telles que la Négativité de discordance (mismatch negativity, MMN). Nous avons manipulé la prédictibilité de sons déviants et utilisé des approches de modélisation computationnelle et dynamique causale (DCM) appliquées à des enregistrements électrophysiologiques (EEG, MEG) simultanés.Une modulation des réponses à la déviance par la prédictibilité a été observée, permettant d'établir un lien avec les erreurs de prédictions. Cet effet implique un apprentissage implicite des régularités acoustiques, dont l'influence sur le traitement auditif a pu être caractérisée par notre approche de modélisation. Sur le plan computationnel, un apprentissage a été mis en évidence au cours de ce traitement auditif, reposant sur une fenêtre d'intégration temporelle dont la taille varie avec la prédictibilité des déviants. Cet effet pourrait également moduler la connectivité synaptique sous-tendant le traitement auditif, comme le suggère l'analyse DCM.Nos résultats mettent en évidence la mise en œuvre d'un apprentissage perceptif au sein d'une hiérarchie auditive soumis à une modulation par la prédictibilité du contexte acoustique, conformément aux prédictions du codage prédictif. Ils soulignent également l'intérêt de ce cadre théorique pour émettre et tester expérimentalement des hypothèses mécanistiques précises / This thesis aims at testing the predictive coding account of auditory perception. This framework rests on precision-weighted prediction errors elicited by unexpected sounds that propagate along a hierarchical organization in order to maintain the brain adapted to a varying acoustic environment. Using the mismatch negativity (MMN), a brain response to unexpected stimuli (deviants) that could reflect such errors, we could address the computational and neurophysiological underpinnings of predictive coding. Precisely, we manipulated the predictability of deviants and applied computational learning models and dynamic causal models (DCM) to electrophysiological responses (EEG, MEG) measured simultaneously. Deviant predictability was found to modulate deviance responses, a result supporting their interpretation as prediction errors. Such effect might involve the (high-level) implicit learning of sound sequence regularities that would in turn influence auditory processing in lower hierarchical levels. Computational modeling revealed the perceptual learning of sounds, resting on temporal integration exhibiting differences induced by our predictability manipulation. In addition, DCM analysis indicated predictability changes in the synaptic connectivity established by deviance processing. These results conform predictive coding predictions regarding both deviance processing and its modulation by deviant predictability and strongly support perceptual learning of auditory regularities achieved within an auditory hierarchy. Our findings also highlight the power of this mechanistic framework to elaborate and test new hypothesis enabling to improve our understanding of auditory processing

Cette thèse porte sur inférence statistique, les méthodes bootstrap et l’analyse multivariée dans le cadre des processus semi-markoviens. Les applications principales concernent un problème de la mécanique de la rupture. Ce travail a une contribution double. La première partie concerne la modélisation stochastique du phénomène de la propagation de fissure de fatigue. Une équation différentielle stochastique décrit le mécanisme de la dégradation et le caractère aléatoire inné du phénomène est traité par un processus de perturbation. Sous l'hypothèse que ce processus soit un processus markovien (ou semi-markovien) de saut, la fiabilité du modèle est étudiée en faisant usage de la théorie du renouvellement markovien et une nouvelle méthode, plus rapide, de calcul de fiabilité est proposée avec l'algorithme correspondant. La méthode et le modèle pour le processus markovien de perturbation sont validés sur des données expérimentales. Ensuite, la consistance forte des estimateurs des moindres carrés des paramètres du modèle est obtenue en supposant que les résidus du modèle stochastique de régression, dans lequel le modèle initial est transformé, soient des différences de martingales. Dans la deuxième partie de la thèse, nous avons abordé le problème difficile de l'approximation de la distribution limite de certains estimateurs non paramétriques des noyaux semi-markoviens ou certaines fonctionnelles via la méthode bootstrap pondérée dans un cadre général. Des applications de ces résultats sur des problèmes statistiques sont données pour la construction de bandes de confiance, les tests statistiques, le calcul de la valeur p du test et pour l’estimation des inverses généralisés. / The present dissertation is devoted to the statistical inference, bootstrap methods and multivariate analysis in the framework of semi-Markov processes. The main applications concern a mechanical problem from fracture mechanics. This work has a two-fold contribution. The first part concerns in general the stochastic modeling of the fatigue crack propagation phenomenon. A stochastic differential equation describes the degradation mechanism and the innate randomness of the phenomenon is handled by a perturbation process. Under the assumption that this process is a jump Markov (or semi-Markov) process, the reliability of the model is studied by means of Markov renewal theory and a new, faster, reliability calculus method is proposed with the respective algorithm. The method and the model for the Markov perturbation process are validated on experimental fatigue data. Next, the strong consistency of the least squares estimates of the model parameters is obtained by assuming that the residuals of the stochastic regression model are martingale differences into which the initial model function is transformed. In the second part of the manuscript, we have tackled the difficult problem of approximating the limiting distribution of certain non-parametric estimators of semi-Markov kernels or some functionals of them via the weighted bootstrap methodology in a general framework. Applications of these results on statistical problems such as the construction of confidence bands, the statistical tests, the computation of the p-value of the test are provided and the estimation of the generalized inverses.

Le sentiment d’agentivité est défini comme le sentiment de contrôler nos actions, et à travers elles, les évènements du monde extérieur. Cet ensemble phénoménologique dépend de notre capacité d’apprendre les contingences entre nos actions et leurs résultats, et un algorithme classique pour modéliser cela vient du domaine de l’apprentissage par renforcement. Dans cette thèse, nous avons utilisé l’approche de modélisation cognitive pour étudier l’interaction entre agentivité et apprentissage par renforcement. Tout d’abord, les participants réalisant une tâche d’apprentissage par renforcement tendent à avoir plus d’agentivité. Cet effet est logique, étant donné que l’apprentissage par renforcement consiste à associer une action volontaire et sa conséquence. Mais nous avons aussi découvert que l’agentivité influence l’apprentissage de deux manières. Le mode par défaut pour apprendre des contingences action-conséquence est que nos actions ont toujours un pouvoir causal. De plus, simplement choisir une action change l’apprentissage de sa conséquence. En conclusion, l’agentivité et l’apprentissage par renforcement, deux piliers de la psychologie humaine, sont fortement liés. Contrairement à des ordinateurs, les humains veulent être en contrôle, et faire les bons choix, ce qui biaise notre aquisition d’information. / Sense of agency or subjective control can be defined by the feeling that we control our actions, and through them effects in the outside world. This cluster of experiences depend on the ability to learn action-outcome contingencies and a more classical algorithm to model this originates in the field of human reinforcementlearning. In this PhD thesis, we used the cognitive modeling approach to investigate further the interaction between perceived control and reinforcement learning. First, we saw that participants undergoing a reinforcement-learning task experienced higher agency; this influence of reinforcement learning on agency comes as no surprise, because reinforcement learning relies on linking a voluntary action and its outcome. But our results also suggest that agency influences reinforcement learning in two ways. We found that people learn actionoutcome contingencies based on a default assumption: their actions make a difference to the world. Finally, we also found that the mere fact of choosing freely shapes the learning processes following that decision. Our general conclusion is that agency and reinforcement learning, two fundamental fields of human psychology, are deeply intertwined. Contrary to machines, humans do care about being in control, or about making the right choice, and this results in integrating information in a one-sided way.

L'inférence de réseaux ou inférence de graphes a de plus en plus d'applications notamment en santé humaine et en environnement pour l'étude de données micro-biologiques et génomiques. Les réseaux constituent en effet un outil approprié pour représenter, voire étudier des relations entre des entités. De nombreuses techniques mathématiques d'estimation ont été développées notamment dans le cadre des modèles graphiques gaussiens mais aussi dans le cas de données binaires ou mixtes. Le traitement des données d'abondance (de micro-organismes comme les bactéries par exemple) est particulier pour deux raisons : d'une part elles ne reflètent pas directement la réalité car un processus de séquençage a lieu pour dupliquer les espèces et ce processus apporte de la variabilité, d'autre part une espèce peut être absente dans certains échantillons. On est alors dans le cadre de données inflatées en zéro. Beaucoup de méthodes d'inférence de réseaux existent pour les données gaussiennes, les données binaires et les données mixtes mais les modèles inflatés en zéro sont très peu étudiés alors qu'ils reflètent la structure de nombreux jeux de données de façon pertinente. L'objectif de cette thèse concerne l'inférence de réseaux pour les modèles inflatés en zéro. Dans cette thèse, on se limitera à des réseaux de dépendances conditionnelles. Le travail présenté dans cette thèse se décompose principalement en deux parties. La première concerne des méthodes d'inférence de réseaux basées sur l'estimation de voisinages par une procédure couplant des méthodes de régressions ordinales et de sélection de variables. La seconde se focalise sur l'inférence de réseaux dans un modèle où les variables sont des gaussiennes inflatées en zéro par double troncature (à droite et à gauche). / Network inference has more and more applications, particularly in human health and environment, for the study of micro-biological and genomic data. Networks are indeed an appropriate tool to represent, or even study, relationships between entities. Many mathematical estimation techniques have been developed, particularly in the context of Gaussian graphical models, but also in the case of binary or mixed data. The processing of abundance data (of microorganisms such as bacteria for example) is particular for two reasons: on the one hand they do not directly reflect reality because a sequencing process takes place to duplicate species and this process brings variability, on the other hand a species may be absent in some samples. We are then in the context of zero-inflated data. Many graph inference methods exist for Gaussian, binary and mixed data, but zero-inflated models are rarely studied, although they reflect the structure of many data sets in a relevant way. The objective of this thesis is to infer networks for zero-inflated models. In this thesis, we will restrict to conditional dependency graphs. The work presented in this thesis is divided into two main parts. The first one concerns graph inference methods based on the estimation of neighbourhoods by a procedure combining ordinal regression models and variable selection methods. The second one focuses on graph inference in a model where the variables are Gaussian zero-inflated by double truncation (right and left).

Dans ce mémoire par articles, nous nous intéressons à l’apprentissage de modèles causaux à partir de données. L’intérêt de cette entreprise est d’obtenir une meilleure compréhension des données et de pouvoir prédire l’effet qu’aura un changement sur certaines variables d’un système étudié. Comme la découverte de liens causaux est fondamentale en sciences, les méthodes permettant l’apprentissage de modèles causaux peuvent avoir des applications dans une pléthore de domaines scientifiques, dont la génomique, la biologie et l’économie. Nous présentons deux nouvelles méthodes qui ont la particularité d’être des méthodes non-linéaires d’apprentissage de modèles causaux qui sont posées sous forme d’un problème d’optimisation continue sous contrainte. Auparavant, les méthodes d’apprentissage de mo- dèles causaux abordaient le problème de recherche de graphes en utilisant des stratégies de recherche voraces. Récemment, l’introduction d’une contrainte d’acyclicité a permis d’abor- der le problème différemment. Dans un premier article, nous présentons une de ces méthodes: GraN-DAG. Sous cer- taines hypothèses, GraN-DAG permet d’apprendre des graphes causaux à partir de données observationnelles. Depuis la publication du premier article, plusieurs méthodes alternatives ont été proposées par la communauté pour apprendre des graphes causaux en posant aussi le problème sous forme d’optimisation continue avec contrainte. Cependant, aucune de ces méthodes ne supportent les données interventionnelles. Pourtant, les interventions réduisent le problème d’identifiabilité et permettent donc l’utilisation d’architectures neuronales plus expressives. Dans le second article, nous présentons une autre méthode, DCDI, qui a la particularité de pouvoir utiliser des données avec différents types d’interventions. Comme le problème d’identifiabilité est moins important, une des deux instanciations de DCDI est un approximateur de densité universel. Pour les deux méthodes proposées, nous montrons que ces méthodes ont de très bonnes performances sur des données synthétiques et réelles comparativement aux méthodes traditionelles. / In this thesis by articles, we study the learning of causal models from data. The goal of this entreprise is to gain a better understanding of data and to be able to predict the effect of a change on some variables of a given system. Since discovering causal relationships is fundamental in science, causal structure learning methods have applications in many fields that range from genomics, biology, and economy. We present two new methods that have the particularity of being non-linear methods learning causal models casted as a continuous optimization problem subject to a constraint. Previously, causal strutural methods addressed this search problem by using greedy search heuristics. Recently, a new continuous acyclity constraint has allowed to address the problem differently. In the first article, we present one of these non-linear method: GraN-DAG. Under some assumptions, GraN-DAG can learn a causal graph from observational data. Since the publi- cation of this first article, several alternatives methods have been proposed by the community by using the same continuous-constrained optimization formulation. However, none of these methods support interventional data. Nevertheless, interventions reduce the identifiability problem and allow the use of more expressive neural architectures. In the second article, we present another method, DCDI, that has the particularity to leverage data with several kinds of interventions. Since the identifiabiliy issue is less severe, one of the two instantia- tions of DCDI is a universal density approximator. For both methods, we show that these methods have really good performances on synthetic and real-world tasks comparatively to other classical methods.

Nous étudions dans cette thèse la gestion des incertitudes au sein des systèmes à base de règles métier orientés objet (Object-Oriented Business Rules Management Systems ou OO-BRMS) et nous nous intersessions à des approches probabilistes. Afin de faciliter la modélisation des distributions de probabilités dans ces systèmes, nous proposons d'utiliser les modèles probabilistes relationnels (Probabilistic Relational Models ou PRM), qui sont une extension orientée objet des réseaux bayésiens. Lors de l'exploitation des OO-BRMS, les requêtes adressées aux PRM sont nombreuses et les réponses doivent être calculées rapidement. Pour cela, nous proposons, dans la première partie de cette thèse, un nouvel algorithme tirant parti de deux spécificités des OO-BRMS. Premièrement, les requêtes de ces derniers s'adressent seulement à une sous partie de leur base. Par conséquent, les probabilités à calculer ne concernent que des sous-ensembles de toutes les variables aléatoires des PRM. Deuxièmement, les requêtes successives diffèrent peu les unes des autres. Notre algorithme exploite ces deux spécificités afin d'optimiser les calculs. Nous prouvons mathématiquement que notre approche fournit des résultats exacts et montrons son efficacité par des résultats expérimentaux. Lors de la deuxième partie, nous établissons des principes généraux permettant d'étendre les OO-BRMS pour garantir une meilleure inter-operabilité avec les PRM. Nous appliquons ensuite notre approche au cas d'IBM Operational Decisions Manager (ODM) dans le cadre d'un prototype développé, que nous décrivons de manière générale. Enfin, nous présentons des techniques avancées permettant de compiler des expressions du langage technique d'ODM pour faciliter leur exploitation par le moteur probabiliste des PRM. / In this thesis, we address the issue of uncertainty in Object-Oriented Business Rules Management Systems (OO-BRMSs). To achieve this aim, we rely on Probabilistic Relational Models (PRMs). These are an object-oriented extension of Bayesian Networks that can be exploited to efficiently model probability distributions in OO-BRMSs. It turns out that queries in OO-BRMS are numerous and we need to request the PRM very frequently. The PRM should then provide a rapid answer. For this reason, we propose, in the first part of this thesis, a new algorithm that respects two specifities of OO-BRMSs and optimizes the probabilistic inference accordingly. First, OO-BRMSs queries affect only a subset of their base, hence, the probabilities of interest concern only a subset of the PRMs random variables. Second, successive requests differ only slightly from each other. We prove theoretically the correctness of the proposed algorithm and we highlight its efficiency through experimental tests. During the second part, we establish some principles for probabilistic OO-BRMSs and we describe an approach to couple them with PRMs. Then, we apply the approach to IBM Operational Decision Manager (ODM), one of the state-of-the-art OO-BRMSs, and we provide a general overview of the resulted prototype. Finally, we discuss advanced techniques to compile elements of ODM technical language into instructions that are exploitable by the PRM probabilistic engine.

Cette thèse porte sur la catégorisation d'objets vidéo. L'objectif est d'associer des étiquettes sémantiques à des objets 2D présents dans les images/vidéos. L'approche proposée consiste à exploiter des bases d'objets 3D classifiés afin d'identifier des objets 2D inconnus. Nous proposons un schéma de reconnaissance d'objet, conçu pour fonctionner pour des applications en temps réel. La similitude entre des modèles 3D et des contenus 2D inconnu est évaluée à l'aide de la description 2D/3D. Une procédure de vote est ensuite utilisée afin de déterminer les catégories les plus probables de l'objet 2D. Nous proposons aussi une stratégie pour la sélection des vues les plus représentatives d'un objet 3D et un nouveau descripteur de contour (nommé AH). L'évaluation expérimentale a montré que, en employant la sélection intelligente de vues, le nombre de projections peut être diminué de manière significative (jusqu'à 5 fois) tout en obtenant des performances similaires. Les résultats ont également montré la supériorité de l'AH par rapport aux autres descripteurs adoptés. Une évaluation objective de la variabilité intra et inter classe des bases de données 3D impliqués dans ce travail est également proposé, ainsi qu'une étude comparative des approches d'indexations retenues. Une approche de segmentation interactive est également introduite. La méthode proposée est spécifiquement conçu pour surmonter les artefacts de compression tels que ceux mis en place par la compression JPEG. Enfin, nous présentons une plate-forme Web pour l'indexation/la recherche/la classification, qui intègre les différentes méthodologies utilisées dans cette thèse / This Ph.D. thesis tackles the issue of sill and video object categorization. The objective is to associate semantic labels to 2D objects present in natural images/videos. The principle of the proposed approach consists of exploiting categorized 3D model repositories in order to identify unknown 2D objects based on 2D/3D matching techniques. We propose here an object recognition framework, designed to work for real time applications. The similarity between classified 3D models and unknown 2D content is evaluated with the help of the 2D/3D description. A voting procedure is further employed in order to determine the most probable categories of the 2D object. A representative viewing angle selection strategy and a new contour based descriptor (so-called AH), are proposed. The experimental evaluation proved that, by employing the intelligent selection of views, the number of projections can be decreased significantly (up to 5 times) while obtaining similar performance. The results have also shown the superiority of AH with respect to other state of the art descriptors. An objective evaluation of the intra and inter class variability of the 3D model repositories involved in this work is also proposed, together with a comparative study of the retained indexing approaches . An interactive, scribble-based segmentation approach is also introduced. The proposed method is specifically designed to overcome compression artefacts such as those introduced by JPEG compression. We finally present an indexing/retrieval/classification Web platform, so-called Diana, which integrates the various methodologies employed in this thesis

Cette thèse est dédiée à l’analyse et la modélisation d'expériences où la position d'un traceur dans le milieu cellulaire est enregistrée au cours du temps. Il s’agit de pouvoir de retirer le maximum d’information à partir d’une seule trajectoire observée expérimentalement. L’enjeu principal consiste à identifier les mécanismes de transport sous-jacents au mouvement observé. La difficulté de cette tâche réside dans l’analyse de trajectoires individuelles, qui requiert de développer de nouveaux outils d’analyse statistique. Dans le premier chapitre, un aperçu est donné de la grande variété des dynamiques observables dans le milieu cellulaire. Notamment, une revue de différents modèles de diffusion anormale et non-Gaussienne est réalisée. Dans le second chapitre, un test est proposé afin de révéler la rupture d'ergodicité faible à partir d’une trajectoire unique. C’est une généralisation de l’approche de M. Magdziarz et A. Weron basée sur la fonction caractéristique du processus moyennée au cours du temps. Ce nouvel estimateur est capable d’identifier la rupture d’ergodicité de la marche aléatoire à temps continu où les temps d'attente sont distribués selon une loi puissance. Par le calcul de la moyenne de l’estimateur pour plusieurs modèles typiques de sous diffusion, l’applicabilité de la méthode est démontrée. Dans le troisième chapitre, un algorithme est proposé afin reconnaître à partir d’une seule trajectoire les différentes phases d'un processus intermittent (e.g. le transport actif/passif à l'intérieur des cellules, etc.). Ce test suppose que le processus alterne entre deux phases distinctes mais ne nécessite aucune hypothèse sur la dynamique propre dans chacune des phases. Les changements de phase sont capturés par le calcul de quantités associées à l’enveloppe convexe locale (volume, diamètre) évaluées au long de la trajectoire. Il est montré que cet algorithme est efficace pour distinguer les états d’une large classe de processus intermittents (6 modèles testés). De plus, cet algorithme est robuste à de forts niveaux de bruit en raison de la nature intégrale de l’enveloppe convexe. Dans le quatrième chapitre, un modèle de diffusion dans un milieu hétérogène où le coefficient de diffusion évolue aléatoirement est introduit et résolu analytiquement. La densité de probabilité des déplacements présente des queues exponentielles et converge vers une Gaussienne au temps long. Ce modèle généralise les approches précédentes et permet ainsi d’étudier en détail les hétérogénéités dynamiques. En particulier, il est montré que ces hétérogénéités peuvent affecter de manière drastique la précision de mesures effectuées sur une trajectoire par des moyennes temporelles. Dans le dernier chapitre, les méthodes d’analyses de trajectoires individuelles sont utilisées pour étudier deux expériences. La première analyse effectuée révèle que les traceurs explorant le cytoplasme montrent que la densité de probabilité des déplacements présente des queues exponentielles sur des temps plus longs que la seconde. Ce comportement est indépendant de la présence de microtubules ou du réseau d’actine dans la cellule. Les trajectoires observées présentent donc des fluctuations de diffusivité témoignant pour la première fois de la présence d’hétérogénéités dynamiques au sein du cytoplasme. La seconde analyse traite une expérience dans laquelle un ensemble de disques de 4mm de diamètre a été vibré verticalement sur une plaque, induisant un mouvement aléatoire des disques. Par une analyse statistique approfondie, il est démontré que cette expérience est proche d'une réalisation macroscopique d'un mouvement Brownien. Cependant les densités de probabilité des déplacements des disques présentent des déviations par rapport à la Gaussienne qui sont interprétées comme le résultat des chocs inter-disque. Dans la conclusion, les limites des approches adoptées ainsi que les futures pistes de recherches ouvertes par ces travaux sont discutées en détail. / This thesis is dedicated to the analysis and modeling of experiments where the position of a tracer in the cellular medium is recorded over time. The goal is to be able to extract as much information as possible from a single experimentally observed trajectory. The main challenge is to identify the transport mechanisms underlying the observed movement. The difficulty of this task lies in the analysis of individual trajectories, which requires the development of new statistical analysis tools. In the first chapter, an overview is given of the wide variety of dynamics that can be observed in the cellular medium. In particular, a review of different models of anomalous and non-Gaussian diffusion is carried out. In the second chapter, a test is proposed to reveal weak ergodicity breaking from a single trajectory. This is a generalization of the approach of M. Magdziarz and A. Weron based on the time-averaged characteristic function of the process. This new estimator is able to identify the ergodicity breaking of continuous random walking where waiting times are power law distributed. By calculating the average of the estimator for several subdiffusion models, the applicability of the method is demonstrated. In the third chapter, an algorithm is proposed to recognize the different phases of an intermittent process from a single trajectory (e.g. active/passive transport within cells, etc.).This test assumes that the process alternates between two distinct phases but does not require any hypothesis on the dynamics of each phase. Phase changes are captured by calculating quantities associated with the local convex hull (volume, diameter) evaluated along the trajectory. It is shown that this algorithm is effective in distinguishing states from a large class of intermittent processes (6 models tested). In addition, this algorithm is robust at high noise levels due to the integral nature of the convex hull. In the fourth chapter, a diffusion model in a heterogeneous medium where the diffusion coefficient evolves randomly is introduced and solved analytically. The probability density function of the displacements presents exponential tails and converges towards a Gaussian one at long time. This model generalizes previous approaches and thus makes it possible to study dynamic heterogeneities in detail. In particular, it is shown that these heterogeneities can drastically affect the accuracy of measurements made by time averages along a trajectory. In the last chapter, single-trajectory based methods are used for the analysis of two experiments. The first analysis carried out shows that the tracers exploring the cytoplasm show that the probability density of displacements has exponential tails over periods of time longer than the second. This behavior is independent of the presence of both microtubules and the actin network in the cell. The trajectories observed therefore show fluctuations in diffusivity, indicating for the first time the presence of dynamic heterogeneities within the cytoplasm. The second analysis deals with an experiment in which a set of 4mm diameter discs was vibrated vertically on a plate, inducing random motion of the disks. Through an in-depth statistical analysis, it is demonstrated that this experiment is close to a macroscopic realization of a Brownian movement. However, the probability densities of disks’ displacements show deviations from Gaussian which are interpreted as the result of inter-disk shocks. In the conclusion, the limits of the approaches adopted as well as the future research orientation opened by this thesis are discussed in detail.