Ce travail porte sur la préconception d'une classe de mécanismes plans à barres articulées, les générateurs de trajectoires, dont la fonction utile est la trajectoire décrite par un point effecteur. Les outils actuellement disponibles sont mieux adaptés à la conception détaillée qu'à la préconception. Nous proposons donc des méthodes d'analyse et de synthèse afin de mieux prendre en compte une plus grande diversité de besoins, notamment pour des spécifications de trajectoire en termes de forme plutôt que classiquement (par des listes de points). La plate-forme de préconception RealisMe utilise deux modèles de cinématique. Le modèle systémique multipolaire est une extension, dans le sens de la théorie des systèmes, de la notion de groupe d'Assur. Le modèle de cinématique qualitative génère directement une trajectoire sous la forme d'arcs et de segments de droite. Ces deux modèles permettent de réaliser des simulations cinématiques très rapides et de fournir des informations utiles en préconception. Le modèle systémique multipolaire est mis à profit dans une méthodologie de conception incrémentale des mécanismes complexes. Nous proposons ensuite deux approches d'optimisation dimensionnelle, exacte et qualitative, par bouclage sur des simulations cinématiques appropriées. Finalement, nous développons deux méthodes de synthèse par capitalisation de cas. Dans ces méthodes, au préalable, un très grand nombre de trajectoires sont calculées, par simulation, pour des jeux de dimensions aléatoires. Ensuite, les cas (couples trajectoire - dimensions), après leur codage, sont stockés dans une base de cas. La première méthode de synthèse par cas utilise un réseau neuronal artificiel pour fournir, à partir d'une forme de trajectoire désirée, un mécanisme candidat par interpolation des cas proches. La forme des trajectoires est modélisée par une analyse harmonique en série de Fourier. Le réseau neuronal permet de stocker en une très faible quantité de données une connaissance étendue sur la relation dimensions-trajectoires, ceci pour une morphologie de mécanisme donnée. La deuxième méthode emploie le codage qualitatif des trajectoires pour stocker dans la même base des trajectoires générées par des mécanismes divers. Afin d'admettre des requêtes complexes, les trajectoires sont indexées selon une clé qualitative.

Premier relais des informations sensorielles et nociceptives périphériques, la moelle épinière est le siège de traitements dynamiques complexes. L'objectif de ce travail est de caractériser la transformation subie par le signal (sa fonction de transfert) et de quantifier l'impact des différents paramètres du réseau. Pour cela, nous avons utilisé une approche multidisciplinaire mêlant théorie et expérimentation au travers du développement d'une nouvelle plateforme d'expérimentation hybride, basée sur le logiciel NEURON. Nous avons construit un modèle réaliste du réseau de la corne dorsale et développé des outils théoriques de quantification du signal et de sa transformation, provenant de la théorie de l'information. Nous avons pu ainsi pu mettre en évidence l'importance des propriétés régénératives cellulaires ainsi que du contrôle inhibiteur sur le transfert de l'information nociceptive. Nous aboutissons ainsi à une approche novatrice de pharmacologie virtuelle pour l'étude de la douleur.

L'objectif de cette thèse est de créer un nouveau système qui est capable de gérer des auto-formations intelligentes, interactives et adaptatives aux besoins, styles d'apprentissage et à l'état des connaissances de chaque apprenant. Ce système est nommé IWEBISE (Interactive and Intelligent System for Education). Il est le résultat de l'accouplement entre cinq grands domaines : l'ingénierie des connaissances, l'interaction homme-machine, la psychologie cognitive, l'intelligence artificielle et la psychopédagogie. IWEBISE est constitué de cinq parties :<br> Modèle de l'apprenant : Cette partie détaille comment le style d'apprentissage des apprenants est modélisé selon le modèle Felder-Silverman, qui dépend de nombreux paramètres : Nombre d'exemples, nombre d'exercices, le lieu des exemples avant ou après le contenu et le lieu des exercices avant ou après le contenu. Les connaissances des étudiants sont exprimées dans le système en utilisant le modèle de recouvrement (Overlay), qui les considère comme une partie du domaine de la connaissance. L' IWEBISE utilise également un modèle ouvert de l'apprenant . Celui-ci permet aux étudiants de changer par eux-mêmes leurs états de connaissances relatives à chaque concept, ce qui leur permet d'étudier à grands pas sans se sentir bloqués par leurs processus d'apprentissage. Le modèle de l'apprenant est composé de deux parties: La partie statique qui stocke les renseignements personnels de l'apprenant. La partie dynamique qui garde les interactions des apprenants avec le système. Elles sont présentées par plusieurs paramètres: nombre de réponses correctes (NCA), nombre de réponses incorrectes (NICA), temps passé à résoudre une question (TSSQ), temps consacré à la lecture ou à l'interaction avec un concept spécifique (TSR) et le nombre de tentatives pour répondre à une question (NAAQ). Une fois qu'un apprenant a passé une séance de pré-test, la partie dynamique est lancée en utilisant ces paramètres. Six méthodes sont employées pour symboliser l'état des connaissances des apprenants dans six niveaux (excellent, très bien, bien, plutôt bien, faibles et très faibles) dans le but de déterminer la meilleure pour être utilisée plus tard dans le nouveau IWEBISE. Ces méthodes sont: FBAM, ART2, Fuzzy-ART2, HMM et NN / HMM. F-mesure métrique est employé pour mesurer la performance des méthodes mentionnées. Les résultats montrent que Fuzzy-ART2 donne la meilleure qualité de catégorisation (0.281 ), qui est considérée comme un facteur très important pour s''assurer qu'une carte de concepts appropriée est affichée à l'apprenant en fonction de son état de connaissances. <br> Modèle de tuteur : Cette partie détaille la façon de modéliser les stratégies pédagogiques utilisées par les enseignants pendant la présentation du contenu des cours aux étudiants. Elles sont modélisées par une table composée de neuf champs qui permettent de stocker les couleurs utilisées pour présenter l'état des connaissances des apprenants dans le plan du parcours et la possibilité de montrer ou de cacher un concept d'apprentissage. Le modèle de tuteur se concentre également sur un algorithme de prédiction pour prévoir les concepts suivants qui pourraient être visités par les apprenants. Le processus de prédiction est réalisé en suivant trois phases: Phase d'initialisation: Pour chaque apprenant un HMM (λ) est construit à base de sa précédente séquence d'accès aux concepts. Phase d'ajustement: Étant donnée une nouvelle séquence observée et un HMM (λ), l'algorithme de Baum-Welch est utilisé pour ajuster les HMM initialisés et de maximiser la nouvelle séquence observée. Phase de prédiction: l'algorithme Forward est appliqué pour déterminer la distribution de probabilité de chaque concept dans le cours. La plus haute valeur représente le concept suivant qui sera visité par l'apprenant. L'exactitude de prédiction est évaluée par deux critères, la Sensibilité et la Précision. La sensibilité est définie comme le nombre de concepts prédits correctement (vrais positifs) divisé par le nombre de concepts visités (positifs réels). La précision est le pourcentage de prédictions positives qui sont correctes. Les résultats montrent que HMM génère une plus grande précision en utilisant une séquence de concepts plus large qui varie de 20% à 99% et quand la précision est élevée, la sensibilité est élevée aussi.<br> Modèle de domaine : Le contenu des cours est organisé en un réseau de concepts pour représenter les objectifs d'apprentissage. Un objectif d'apprentissage concerne plusieurs concepts qui sont classés en trois types: des concepts principaux, des concepts pré-requis et des sous-concepts. Chaque nœud interne dans le réseau représente un concept, tandis que les nœuds externes dans le niveau le plus bas symbolisent plusieurs types d'unités d'enseignement, qui sont sous la forme de fichiers multimédia Flash interactive, images, vidéos, textes, exercices, des exemples. Trois différentes méthodes sont utilisées pour décrire le modèle de domaine : HBAM (Hirarchical Bidirectional Associative Memory), une base de données MySql, et XML, Dans la première méthode, le domaine de connaissances est conçu et modélisé en utilisant un réseau de neurones BAM hiérarchique. Le premier BAM-1 associe les objectifs d'apprentissage avec les concepts, mais le second BAM-2 est utilisé pour attribuer des unités d'enseignement à chaque concept. La couche de sortie de BAM-1 est la couche d'entrée du BAM-2, qui peut être vu comme une couche intermédiaire de toute l'architecture. Nombre de nœuds de couche d'entrée, de milieu et de sortie représentent le nombre d'objectifs d'apprentissage, les concepts et les unités d'enseignement respectivement . Dans la seconde méthode une base de données relationnelle est utilisée pour représenter le domaine de connaissance. Il est composé d'onze tableaux (les catégories principales, les sous-catégories, les sujets, les objectifs d'apprentissage, les objectifs d'apprentissage pré-requis, les concepts, les concepts pré-requis, la relation d'un sous-concepts avec un concept, le contenu et les questions pour les post-tests et pré-tests). Un Document Type Définition (DTD) du fichier est construit dans la troisième méthode pour déterminer un ensemble de règles pour définir et décrire l'organisation des connaissances dans un fichier XML. La méthode de base de données relationnelle est sélectionnée pour être utilisée au sein de notre nouveau système IWEBISE car d'une part, certains concepteurs de cours préfèrent avoir leur contenu des cours confidentiels et protégés et de l'autre part, XML n'est pas capable de traiter le contenu de cours énormes et tous les types de données tels que des images et la vidéo. <br> Le moteur d'adaptation : Il est considéré comme l'une des parties les plus importantes de IWEBISE grâce aux trois raisons suivantes: Il relie les différentes parties du système, il génère la page d'un concept selon le style d'apprentissage de chaque apprenant et il adapte la carte de concepts en fonction de l'état des connaissances de chaque apprenants aussi. <br> L'interface utilisateur représente les moyens d'interaction disponible sur le système IWEBISE. Il est classé en quatre niveaux : Administrateur: Il permet aux administrateurs de créer une catégorie de cours, sous-catégorie, gérer les utilisateurs et les processus d'abonnement. Concepteur: Il permet aux concepteurs de cours de gérer les objectifs d'apprentissage, les concepts, les sous-concepts, les contenu des concepts et les questions des tests. Elle leur permet également d'exporter leurs cours sous la norme SCORM. Tuteur: Il permet aux enseignants de gérer leurs stratégies d'enseignement et de donner des conseils appropriés aux apprenants. Apprenant: Il permet aux apprenants de compléter leur processus d'apprentissage en utilisant le pré-test, les post-tests, le questionnaire «Index des styles d'apprentissage", les glossaires, le chat et le forum. Le nouveau système IWEBISE est évalué par des concepteurs de cours et par des étudiants, dans le but d'optimiser ses performances au cours de l'enseignement et les processus d'apprentissage. Douze critères sont utilisés pour l'évaluer: la Cohérence, l'évidence, la prévisibilité, la richesse, l'exhaustivité, la motivation, la structure d'Hypertext, l'autonomie, la facilité d'utilisation, l'esthétique, la collaboration et l'interactivité.<br> L'originalité de cette thèse est basée sur : 1.L'utilisation d'une nouvelle architecture d'un réseau de neurones appelé HBAM pour modéliser le domaine des connaissances d'un cours. Ce nouveau réseau peut être utilisé dans de nombreux autres domaines tels que: la reconnaissance des formes ; 2.L 'utilisation d'un nouvel algorithme hybride qui utilise un réseau de neurones (Fuzzy-ART2) et une méthode statistique (HMM) pour la modélisation des connaissances des apprenants ; 3.L 'utilisation de nombreux algorithmes d'apprentissage tels que: FBAM, ART2, Fuzzy-ART2 et une structure hybride Fuzzy-ART2/HMM, qui sont utilisés pour classer la réflexion des apprenants et leurs raisonnements en six niveaux ; 4.L'utilisation d'un HMM pour prédire le prochain concept, basé sur l'histoire des concepts visités par un apprenant ; 5.La définition des styles d'apprentissage des apprenants à l' Institut Supérieur des Langues (Université d'Alep) par rapport à l'apprentissage d'une langue. Ceci est fait en utilisant le modèle Felder et Silverman ; 6.Le comparaison d'IWEBISE avec d'autres systèmes éducatifs. 7.Le capacité d'l'IWEBISE à l'exportation et la réalisation des cours conformément à la norme SCORM avec l'objectif de les réutiliser dans d'autres plates-formes d'enseignement telle que: Moodle ; 8.La construction et la mise en œuvre d'un nouveau système intelligent et adaptatif pour l'éducation basé sur le Web pour l'enseignement de la grammaire anglaise.

Notre étude est bipartite. En premier lieu nous avons effectué une étude empirique des différences entre les processus de catégorisation explicite (verbalisable) et implicite (non-verbalisable). Nous avons examiné la difficulté et le temps nécessaire pour apprendre trois tâches de catégorisation dites par air de famille, par règle logique conjonctive et par règle logique disjonctive. Nous avons ensuite utilisé un réseau neuronal pour modéliser la catégorisation en lui faisant compléter les mêmes tâches. La comparaison entre les deux nous permet de juger de l’adéquation du modèle. Les données empiriques ont montré un effet de la typicité et de la familiarité en accord avec la documentation et nous trouvons que la tâche de catégorisation par règle disjonctive est la plus difficile alors que la tâche de catégorisation par air de famille est la plus facile. La modélisation par le réseau est une réussite partielle mais nous présentons des solutions afin qu’un réseau futur puisse modéliser le processus catégoriel humain efficacement / Our present research was twofold. First, we conducted a study of the differences in the categorization processes between explicit (verbalizable) and implicit (nonverbalizable) tasks. The differentiation was done in term of difficulty and time necessary to learn the rule of the category for family resemblance, conjunctive and disjunctive rules. We then used a neural network to model the categorization and had it complete the same tasks. The comparison between the two gave us insight into how (and if) the network can be used as a model of human categorization. The empirical data confirmed an effect of familiarity and typicality, as supported by previous studies, and we confirmed that the disjunctive task was the hardest to learn for humans while our results point toward the family resemblance task as being the easiest. The modelization by the neural network was partially successful at best but we present options that could permit a next generation neural network to model the categorization process truthfully

Le cortex cérébral des mammifères est constitué de larges et complexes réseaux de neurones. La tâche de ces assemblées de cellules est d’encoder et de traiter, le plus précisément possible, l'information sensorielle issue de notre environnement extérieur. De façon surprenante, les enregistrements électrophysiologiques effectués sur des animaux en comportement ont montré que l’activité corticale est excessivement irrégulière. Les motifs temporels d’activité ainsi que les taux de décharge moyens des cellules varient considérablement d’une expérience à l’autre, et ce malgré des conditions expérimentales soigneusement maintenues à l’identique. Une hypothèse communément répandue suggère qu'une partie importante de cette variabilité émerge de la connectivité récurrente des réseaux. Cette hypothèse se fonde sur la modélisation des réseaux fortement couplés. Une étude classique [Sompolinsky et al, 1988] a en effet montré qu'un réseau de cellules aux connections aléatoires exhibe une transition de phase : l’activité passe d'un point fixe ou le réseau est inactif, à un régime chaotique, où les taux de décharge des cellules fluctuent au cours du temps et d’une cellule à l’autre. Ces analyses soulèvent néanmoins de nombreuse questions : de telles fluctuations sont-elles encore visibles dans des réseaux corticaux aux architectures plus réalistes? De quelle façon cette variabilité intrinsèque dépend-elle des paramètres biophysiques des cellules et de leurs constantes de temps ? Dans quelle mesure de tels réseaux chaotiques peuvent-ils sous-tendre des computations ? Dans cette thèse, on étudiera la dynamique et les propriétés computationnelles de modèles de circuits de neurones à l’activité hétérogène et variable. Pour ce faire, les outils mathématiques proviendront en grande partie des systèmes dynamiques et des matrices aléatoires. Ces approches seront couplées aux méthodes statistiques des champs moyens développées pour la physique des systèmes désordonnées. Dans la première partie de cette thèse, on étudiera le rôle de nouvelles contraintes biophysiques dans l'apparition d’une activité irrégulière dans des réseaux de neurones aux connections aléatoires. Dans la deuxième et la troisième partie, on analysera les caractéristiques de cette variabilité intrinsèque dans des réseaux partiellement structurées supportant des calculs simples comme la prise de décision ou la création de motifs temporels. Enfin, inspirés des récents progrès dans le domaine de l’apprentissage statistique, nous analyserons l’interaction entre une architecture aléatoire et une structure de basse dimension dans la dynamique des réseaux non-linéaires. Comme nous le verrons, les modèles ainsi obtenus reproduisent naturellement un phénomène communément observé dans des enregistrements électrophysiologiques : une dynamique de population de basse dimension combinée avec représentations neuronales irrégulières, à haute dimension, et mixtes. / The mammalian cortex consists of large and intricate networks of spiking neurons. The task of these complex recurrent assemblies is to encode and process with high precision the sensory information which flows in from the external environment. Perhaps surprisingly, electrophysiological recordings from behaving animals have pointed out a high degree of irregularity in cortical activity. The patterns of spikes and the average firing rates change dramatically when recorded in different trials, even if the experimental conditions and the encoded sensory stimuli are carefully kept fixed. 
One current hypothesis suggests that a substantial fraction of that variability emerges intrinsically because of the recurrent circuitry, as it has been observed in network models of strongly interconnected units. In particular, a classical study [Sompolinsky et al, 1988] has shown that networks of randomly coupled rate units can exhibit a transition from a fixed point, where the network is silent, to chaotic activity, where firing rates fluctuate in time and across units. Such analysis left a large number of questions unsolved: can fluctuating activity be observed in realistic cortical architectures? How does variability depend on the biophysical parameters and time scales? How can reliable information transmission and manipulation be implemented with such a noisy code? 
In this thesis, we study the spontaneous dynamics and the computational properties of realistic models of large neural circuits which intrinsically produce highly variable and heterogeneous activity. The mathematical tools of our analysis are inherited from dynamical systems and random matrix theory, and they are combined with the mean field statistical approaches developed for the study of physical disordered systems. 
In the first part of the dissertation, we study how strong rate irregularities can emerge in random networks of rate units which obey some among the biophysical constraints that real cortical neurons are subject to. In the second and third part of the dissertation, we investigate how variability is characterized in partially structured models which can support simple computations like pattern generation and decision making. To this aim, inspired by recent advances in networks training techniques, we address how random connectivity and low-dimensional structure interact in the non-linear network dynamics. The network models that we derive naturally capture the ubiquitous experimental observations that the population dynamics is low-dimensional, while neural representations are irregular, high-dimensional and mixed.

Dans cette dissertation, nous proposons des méthodes d’apprentissage automa-tique aptes à bénéficier de la récente explosion des volumes de données digitales.Premièrement nous considérons l’amélioration de l’efficacité des méthodes derécupération d’image. Nous proposons une approche d’apprentissage de métriques locales coordonnées (Coordinated Local Metric Learning, CLML) qui apprends des métriques locales de Mahalanobis, puis les intègre dans une représentation globale où la distance l2 peut être utilisée. Ceci permet de visualiser les données avec une unique représentation 2D, et l’utilisation de méthodes de récupération efficaces basées sur la distance l2. Notre approche peut être interprétée comme l’apprentissage d’une projection linéaire de descripteurs donnés par une méthode a noyaux de grande dimension définie explictement. Cette interprétation permet d’appliquer des outils existants pour l’apprentissage de métriques de Mahalanobis à l’apprentissage de métriques locales coordonnées. Nos expériences montrent que la CLML amé-liore les résultats en matière de récupération de visage obtenues par les approches classiques d’apprentissage de métriques locales et globales.Deuxièmement, nous présentons une approche exploitant les modèles de ré-seaux neuronaux convolutionnels (CNN) pour la reconnaissance faciale dans lespectre visible. L’objectif est l’amélioration de la reconnaissance faciale hétérogène, c’est à dire la reconnaissance faciale à partir d’images infra-rouges avec des images d’entraînement dans le spectre visible. Nous explorerons différentes stratégies d’apprentissage de métriques locales à partir des couches intermédiaires d’un CNN, afin de faire le rapprochement entre des images de sources différentes. Dans nos expériences, la profondeur de la couche optimale pour une tâche donnée est positivement corrélée avec le changement entre le domaine source (données d’entraînement du CNN) et le domaine cible. Les résultats montrent que nous pouvons utiliser des CNN entraînés sur des images du spectre visible pour obtenir des résultats meilleurs que l’état de l’art pour la reconnaissance faciale hétérogène (images et dessins quasi-infrarouges).Troisièmement, nous présentons les "tissus de neurones convolutionnels" (Convolutional Neural Fabrics) permettant l’exploration de l’espace discret et exponentiellement large des architectures possibles de réseaux neuronaux, de manière efficiente et systématique. Au lieu de chercher à sélectionner une seule architecture optimale, nous proposons d’utiliser un "tissu" d’architectures combinant un nombre exponentiel d’architectures en une seule. Le tissu est une représentation 3D connectant les sorties de CNNs à différentes couches, échelles et canaux avec un motif de connectivité locale, homogène et creux. Les seuls hyper-paramètres du tissu (le nombre de canaux et de couches) ne sont pas critiques pour la performance. La nature acyclique du tissu nous permet d’utiliser la rétro-propagation du gradient durant la phase d’apprentissage. De manière automatique, nous pouvons donc configurer le tissu de manière à implémenter l’ensemble de toutes les architectures possibles (un nombre exponentiel) et, plus généralement, des ensembles (combinaisons) de ces modèles. La complexité de calcul et de taille mémoire du tissu évoluent de manière linéaire alors qu’il permet d’exploiter un nombre exponentiel d’architectures en parallèle, en partageant les paramètres entre architectures. Nous présentons des résultats à l’état de l’art pour la classification d’images sur le jeu de données MNIST et CIFAR10, et pour la segmentation sémantique sur le jeu de données Part Labels. / In this dissertation, we propose methods and data driven machine learning solutions which address and benefit from the recent overwhelming growth of digital media content.First, we consider the problem of improving the efficiency of image retrieval. We propose a coordinated local metric learning (CLML) approach which learns local Mahalanobis metrics, and integrates them in a global representation where the l2 distance can be used. This allows for data visualization in a single view, and use of efficient ` 2 -based retrieval methods. Our approach can be interpreted as learning a linear projection on top of an explicit high-dimensional embedding of a kernel. This interpretation allows for the use of existing frameworks for Mahalanobis metric learning for learning local metrics in a coordinated manner. Our experiments show that CLML improves over previous global and local metric learning approaches for the task of face retrieval.Second, we present an approach to leverage the success of CNN models forvisible spectrum face recognition to improve heterogeneous face recognition, e.g., recognition of near-infrared images from visible spectrum training images. We explore different metric learning strategies over features from the intermediate layers of the networks, to reduce the discrepancies between the different modalities. In our experiments we found that the depth of the optimal features for a given modality, is positively correlated with the domain shift between the source domain (CNN training data) and the target domain. Experimental results show the that we can use CNNs trained on visible spectrum images to obtain results that improve over the state-of-the art for heterogeneous face recognition with near-infrared images and sketches.Third, we present convolutional neural fabrics for exploring the discrete andexponentially large CNN architecture space in an efficient and systematic manner. Instead of aiming to select a single optimal architecture, we propose a “fabric” that embeds an exponentially large number of architectures. The fabric consists of a 3D trellis that connects response maps at different layers, scales, and channels with a sparse homogeneous local connectivity pattern. The only hyperparameters of the fabric (the number of channels and layers) are not critical for performance. The acyclic nature of the fabric allows us to use backpropagation for learning. Learning can thus efficiently configure the fabric to implement each one of exponentially many architectures and, more generally, ensembles of all of them. While scaling linearly in terms of computation and memory requirements, the fabric leverages exponentially many chain-structured architectures in parallel by massively sharing weights between them. We present benchmark results competitive with the state of the art for image classification on MNIST and CIFAR10, and for semantic segmentation on the Part Labels dataset

En utilisant des enregistrements en patch-clamp sur des tranches aigues de cervelet de rat, j'ai observé que les informations à haute fréquence traitées dans la voie fibre moussues (FM)-cellules granulaires (CG) sont conservées à la synapse CG-cellule de Purkinje (CP). Des trains de potentiels d'action évoquent des courants postsynaptiques excitateurs importants, même à haute fréquence, avec une haute probabilité de libération initiale, une forte facilitation jusqu'à 700Hz, et ceci de façon soutenue. Ce mécanisme est possible grâce au recrutement de vésicules initialement réfractaires. Une seconde étude utilisant du decageage de Rubi-Glutamate sur les CG a permis de révéler une organisation spatialeprécise des connexions CG-PC, CG-Interneurones de la couche moléculaire (ICM) et CG-Cellules de Golgi (CGo). Des groupes spécifiques de CP/CGo ou ICM, identifiables via des marqueurs histochimiques sont contacté par des populations spécifiques de CG. / Using whole cell patch clamp recording in rat cerebellum acute slices, I found that high frequency information processed in mossy fibre (MF)-granule cell (GC) pathway is conseved at the GC-Purkinje cell (PC) synapse. Bursts of action potential could evoke strong, excitatory postsynaptic currents at the PC soma that can follow high frequency rates, with high initial release probability, paired-pulse facilitation up to 700 Hz, and sustained facilitation during tensof pulses. This fast and sustained release is possible during bursts through the recruitment of reluctant vesicles that boost vesicular release. In a second study, by using precise RuBi-Glutamate uncaging onto granule cells, and by recording either PC, molecular layer interneurons or Golgi cells, 1 found that in the anterior vermis of the mouse cerebellum, GC-PC connection follows a precise spatial organisation. Specifie sets of PC, that can be identified using histochemical markers, receive inputs from small GC hotspots.

L’estimation de la pose du corps humain est un problème difficile en vision par ordinateur et les actions de toutes les difficultés de détection d’objet. Cette thèse se concentre sur les problèmes de l’estimation de la pose du corps humain dans les images ou vidéo, y compris la diversité des apparences, les changements de scène et l’éclairage de fond de confusion encombrement. Pour résoudre ces problèmes, nous construisons un modèle robuste comprenant les éléments suivants. Tout d’abord, les méthodes top-down et bottom-up sont combinés à l’estimation pose humaine. Nous étendons le modèle structure picturale (PS) de coopérer avec filtre à particules recuit (APF) pour robuste multi-vues estimation de la pose. Deuxièmement, nous proposons plusieurs parties de mélange à base (MMP) modèle d’une partie supérieure du corps pour l’estimation de la pose qui contient deux étapes. Dans la phase de pré-estimation, il y a trois étapes: la détection du haut du corps, catégorie estimation du modèle pour le haut du corps, et la sélection de modèle complet pour pose estimation. Dans l’étape de l’estimation, nous abordons le problème d’une variété de poses et les activités humaines. Enfin, le réseau de neurones à convolution (CNN) est introduit pour l’estimation de la pose. Un Local Multi-résolution réseau de neurones à convolution (LMR-CNN) est proposé pour apprendre la représentation pour chaque partie du corps. En outre, un modèle hiérarchique sur la base LMR-CNN est défini pour faire face à la complexité structurelle des parties de branche. Les résultats expérimentaux démontrent l’efficacité du modèle proposé / Human pose estimation is a challenging problem in computer vision and shares all the difficulties of object detection. This thesis focuses on the problems of human pose estimation in still images or video, including the diversity of appearances, changes in scene illumination and confounding background clutter. To tackle these problems, we build a robust model consisting of the following components. First, the top-down and bottom-up methods are combined to estimation human pose. We extend the Pictorial Structure (PS) model to cooperate with annealed particle filter (APF) for robust multi-view pose estimation. Second, we propose an upper body based multiple mixture parts (MMP) model for human pose estimation that contains two stages. In the pre-estimation stage, there are three steps: upper body detection, model category estimation for upper body, and full model selection for pose estimation. In the estimation stage, we address the problem of a variety of human poses and activities. Finally, a Deep Convolutional Neural Network (DCNN) is introduced for human pose estimation. A Local Multi-Resolution Convolutional Neural Network (LMR-CNN) is proposed to learn the representation for each body part. Moreover, a LMR-CNN based hierarchical model is defined to meet the structural complexity of limb parts. The experimental results demonstrate the effectiveness of the proposed model

La mémoire épisodique correspond à la reviviscence consciente d'expériences personnelles ancrées dans un contexte spécifique. Ce travail de thèse porte sur l'étude des processus cognitifs et des mécanismes neuronaux du rappel épisodique chez l'Homme. Les souvenirs rappelés par les odeurs sont plus détaillés et plus émotionnels que ceux évoqués par d'autres modalités sensorielles. Ces spécificités expliquent pourquoi nous nous intéressons à l'évocation des souvenirs par des odeurs. Tout d'abord, une tâche comportementale novatrice est développée pour permettre l'étude contrôlée de la mémoire d'épisodes complexes constitués d'odeurs non familières (Quoi), localisées à des emplacements distincts (Où), d'un environnement visuel donné (Quel contexte). A l'aide de cette tâche, nous montrons que, lorsque les dimensions d'un épisode sont étroitement liées, la perception de l'odeur permet le rappel de l'ensemble du souvenir. Le rappel épisodique est essentiellement fondé sur des processus de recollection, la familiarité n'étant pas suffisante pour récupérer l'ensemble du souvenir. De plus, les odeurs associées à une émotion, quelle que soit leur valence, facilitent le rappel épisodique correct. Fonctionnellement, la mémoire épisodique est sous-tendue par un large réseau neuronal, constitué de régions typiquement impliquées dans la mémoire de laboratoire et la mémoire autobiographique. Les souvenirs corrects sont associés à un réseau neuronal différent des souvenirs incorrects, de la perception de l'odeur à la ré-expérience du souvenir. Des analyses de modularité indiquent que les interactions fonctionnelles au sein du réseau de la mémoire épisodique dépendent également de l'exactitude du souvenir. L'ensemble de ces travaux suggère que le rappel épisodique est un processus dynamique complexe, initié dès la perception des odeurs, et interdépendant d'autres systèmes de mémoire tels que les mémoires perceptive et sémantique / Episodic memory is the memory that permits the conscious re-experience of specific personal events and associated with a specific context. This doctoral research aims at investigating the cognitive processes and the neural bases of episodic retrieval in humans. Odor-evoked memories are known to be more detailed and more emotional than memories triggered by other sensorial cues. These specificities explain why we studied odor-evoked memories. First, a novel behavioral task has been designed to study in a controlled way the memory of complex episodes comprising unfamiliar odors (What), localized spatially (Where), within a visual context (Which context). From this approach, we suggest that when the binding between the episodes’ dimensions is strong, the odor perception evokes the whole episodic memory. The episodic retrieval is mainly based on recollection processes, the feeling of knowing being insufficient to induce complete memory recovery. Moreover, emotion carried by odors, whatever its valence, promote accurate episodic retrieval. Functionally, episodic memory is underpinned by a distributed network, constituted of regions typically found in laboratory and autobiographical memory approaches. Accurate memories are associated with a specific neural network, from odor perception to memory re-experience. Modularity analyses show that neural interactions within this network also depend on memory accuracy. Altogether, results of this research suggest that episodic retrieval is a dynamic and complex process, triggered by odors perception, closely linked to other memory systems such as perceptual and semantic memories

La Caspase-2 (CASP-2) est singulière de par ses multiples rôles physiologiques et par son implication dans les processus neurodégénératifs aigus et chroniques. Dans ce contexte, des études récentes ont contribué à sa validation en tant que cible thérapeutique potentielle de la maladie d’Alzheimer. Par conséquent, le développement d’inhibiteurs spécifiques constituerait des outils pharmacologiques qui permettraient de mieux appréhender ses rôles dans la physiologie et pathologie du neurone. Les inhibiteurs de Caspases actuels sont majoritairement des séquences tétra ou pentapeptidiques qui reproduisent les motifs préférentiellement reconnus par ces enzymes. Dans le cadre de ce travail de thèse, trois stratégies d’identification d’inhibiteurs ont été suivies ; (i) une approche de conception rationnelle de peptides ciblant le site actif, (ii) conception in silico de peptides de l’interface de dimérisation, (iii) criblage aléatoire et rationnel de petites molécules organiques. Parmi ces stratégies, l’inhibition du site actif s’est révélée être la plus fructueuse. Nous avons ainsi pu démontrer que des variations du résidu Alanine en P2 sur un motif VDVAD permettaient d’améliorer les paramètres de sélectivité et d’efficacité. Sur ce constat une série de peptides « LJ » avec des mécanismes d’inhibition variés a été développée. Deux composés LJ2 et LJ3, ont démontré d’excellents paramètres d’inactivation et de sélectivité envers la CASP-2. Dans des réseaux de neurones reconstruits in vitro, LJ2 et LJ3 présentent un effet synaptoprotecteur. Ces travaux de thèse ouvrent donc le champ à de nouvelles perspectives sur le plan fonctionnel ainsi que sur le plan thérapeutique. / Caspase-2 (CASP-2) is unique among Caspases since its involved in a plethora of physiological processes and in severe and chronic neurodegenerative processes. In this context, recent studies have indicated that CASP-2 is a potential therapeutic target for Alzheimer’s disease. It is therefore necessary to develop specific inhibitors which would constitute pharmacological tools to better understand the role of this protease in the physiology and pathology of the neuron. The current Caspases inhibitors are mostly tetra or pentapeptide sequences that reproduce the patterns preferentially recognized by these enzymes. During this thesis project, we used three identification strategies ; (i) a rational design approach of peptides targeting the active site, (ii) in silico design of peptides of the dimerization interface, (iii) rational an random screening of small organic molecules. Among these strategies, inhibition of the active site has been shown to be the most productive one. We have been able to demonstrate that the variation of the Alanine residue in P2 on the pattern VDVAD increased efficiency and selectivity parameters. Based on this observation, a serie of peptides “LJ” with various inhibitory mechanisms has been developed. Two compounds LJ2 and LJ3, demonstrated excellent inactivation and selectivity parameters toward CASP-2. In neuronal networks reconstructed in vitro, LJ2 and LJ3 protect against synapse loss. This thesis project opens the field to new perspectives on the functional level as well as on the therapeutic plan.