Le système nerveux central est la cible la plus probable d'effets biologiques dûs à l'exposition aux radiofréquences (RF) de la téléphonie mobile. Plusieurs études sur l’EEG (électroencéphalogramme) ont montré des variations dans le spectre de la bande alpha pendant et / ou après l'exposition aux radiofréquences, avec les yeux fermés ou pendant le sommeil. Dans ce contexte, l'observation de l'activité électrique spontanée des réseaux neuronaux sous exposition aux radiofréquences représente un outil efficace pour détecter de possibles effets des RF de faible niveau sur le système nerveux. Dans ce travail de thèse, nous avons développé un dispositif expérimental dédié à l'exposition dans la gamme des GHz de réseaux neuronaux et permettant simultanément l’enregistrement de l'activité électrique des neurones. Une cellule électromagnétique transversale (TEM) a été utilisée afin d'exposer les réseaux neuronaux aux signaux GSM-1800 à un niveau de DAS de 3,2 W / kg. L'enregistrement de l'activité électrique neuronale et la détection en termes de spikes et bursts sous exposition ont été réalisées à l'aide de réseaux de micro-électrodes (MEAs). Ce travail démontre la faisabilité de l’étude (culture de réseaux de neurones primaires, enregistrement de l'activité électrique et analyse des signaux obtenus sous exposition aux radiofréquences) et expose des résultats préliminaires. Dans l'expérience principale (16 cultures), il y avait une diminution réversible de 30% du taux moyen de spikes (MFR) et de bursts (BR) pendant les 3 min d’exposition aux RF. Des expériences supplémentaires sont nécessaires pour mieux caractériser cet effet, notamment en termes d'élévation de la température au niveau microscopique. / The central nervous system is the most likely target of mobile telephony radiofrequency field (RF) exposure in terms of biological effects. Several EEG (electroencephalography) studies have reported variations in the alpha-band power spectrum during and/or after RF exposure, in resting EEG and during sleep. In this context, the observation of the spontaneous electrical activity of neuronal networks under RF exposure can be an efficient tool to detect the occurrence of low-level RF effects on the nervous system. In this thesis research work we developed a dedicated experimental setup in the GHz range for the simultaneous exposure of neuronal networks and monitoring of electrical activity. A transverse electromagnetic (TEM) cell was used to expose the neuronal networks to GSM-1800 signals at a SAR level of 3.2 W/kg. Recording of the neuronal electrical activity and detection of the extracellular spikes and bursts under exposure were performed using Micro Electrode Arrays (MEAs). This work provides the proof of feasibility and preliminary results of the integrated investigation regarding exposure setup, culture of the neuronal network, recording of the electrical activity and analysis of the signals obtained under RF exposure. In the main experiment (16 cultures), there was a 30% reversible decrease in mean firing rate (MFR) and bursting rate (BR) during the 3 min exposures to RF. Additional experiments are needed to further characterize this effect, especially in terms of temperature elevation at the microscopic level.

Nous étudions dans cette thèse comment les réseaux de neurones profonds peuvent être utilisés dans différents domaines de la vision artificielle. La vision artificielle est un domaine interdisciplinaire qui traite de la compréhension d’images et de vidéos numériques. Les problèmes de ce domaine ont traditionnellement été adressés avec des méthodes ad-hoc nécessitant beaucoup de réglages manuels. En effet, ces systèmes de vision artificiels comprenaient jusqu’à récemment une série de modules optimisés indépendamment. Cette approche est très raisonnable dans la mesure où, avec peu de données, elle bénéficient autant que possible des connaissances du chercheur. Mais cette avantage peut se révéler être une limitation si certaines données d’entré n’ont pas été considérées dans la conception de l’algorithme. Avec des volumes et une diversité de données toujours plus grands, ainsi que des capacités de calcul plus rapides et économiques, les réseaux de neurones profonds optimisés d’un bout à l’autre sont devenus une alternative attrayante. Nous démontrons leur avantage avec une série d’articles de recherche, chacun d’entre eux trouvant une solution à base de réseaux de neurones profonds à un problème d’analyse ou de synthèse visuelle particulier. Dans le premier article, nous considérons un problème de vision classique: la détection de bords et de contours. Nous partons de l’approche classique et la rendons plus ‘neurale’ en combinant deux étapes, la détection et la description de motifs visuels, en un seul réseau convolutionnel. Cette méthode, qui peut ainsi s’adapter à de nouveaux ensembles de données, s’avère être au moins aussi précis que les méthodes conventionnelles quand il s’agit de domaines qui leur sont favorables, tout en étant beaucoup plus robuste dans des domaines plus générales. Dans le deuxième article, nous construisons une nouvelle architecture pour la manipulation d’images qui utilise l’idée que la majorité des pixels produits peuvent d’être copiés de l’image d’entrée. Cette technique bénéficie de plusieurs avantages majeurs par rapport à l’approche conventionnelle en apprentissage profond. En effet, elle conserve les détails de l’image d’origine, n’introduit pas d’aberrations grâce à la capacité limitée du réseau sous-jacent et simplifie l’apprentissage. Nous démontrons l’efficacité de cette architecture dans le cadre d’une tâche de correction du regard, où notre système produit d’excellents résultats. Dans le troisième article, nous nous éclipsons de la vision artificielle pour étudier le problème plus générale de l’adaptation à de nouveaux domaines. Nous développons un nouvel algorithme d’apprentissage, qui assure l’adaptation avec un objectif auxiliaire à la tâche principale. Nous cherchons ainsi à extraire des motifs qui permettent d’accomplir la tâche mais qui ne permettent pas à un réseau dédié de reconnaître le domaine. Ce réseau est optimisé de manière simultané avec les motifs en question, et a pour tâche de reconnaître le domaine de provenance des motifs. Cette technique est simple à implémenter, et conduit pourtant à l’état de l’art sur toutes les tâches de référence. Enfin, le quatrième article présente un nouveau type de modèle génératif d’images. À l’opposé des approches conventionnels à base de réseaux de neurones convolutionnels, notre système baptisé SPIRAL décrit les images en termes de programmes bas-niveau qui sont exécutés par un logiciel de graphisme ordinaire. Entre autres, ceci permet à l’algorithme de ne pas s’attarder sur les détails de l’image, et de se concentrer plutôt sur sa structure globale. L’espace latent de notre modèle est, par construction, interprétable et permet de manipuler des images de façon prévisible. Nous montrons la capacité et l’agilité de cette approche sur plusieurs bases de données de référence. / In the present thesis, we study how deep neural networks can be applied to various tasks in computer vision. Computer vision is an interdisciplinary field that deals with understanding of digital images and video. Traditionally, the problems arising in this domain were tackled using heavily hand-engineered adhoc methods. A typical computer vision system up until recently consisted of a sequence of independent modules which barely talked to each other. Such an approach is quite reasonable in the case of limited data as it takes major advantage of the researcher's domain expertise. This strength turns into a weakness if some of the input scenarios are overlooked in the algorithm design process. With the rapidly increasing volumes and varieties of data and the advent of cheaper and faster computational resources end-to-end deep neural networks have become an appealing alternative to the traditional computer vision pipelines. We demonstrate this in a series of research articles, each of which considers a particular task of either image analysis or synthesis and presenting a solution based on a ``deep'' backbone. In the first article, we deal with a classic low-level vision problem of edge detection. Inspired by a top-performing non-neural approach, we take a step towards building an end-to-end system by combining feature extraction and description in a single convolutional network. The resulting fully data-driven method matches or surpasses the detection quality of the existing conventional approaches in the settings for which they were designed while being significantly more usable in the out-of-domain situations. In our second article, we introduce a custom architecture for image manipulation based on the idea that most of the pixels in the output image can be directly copied from the input. This technique bears several significant advantages over the naive black-box neural approach. It retains the level of detail of the original images, does not introduce artifacts due to insufficient capacity of the underlying neural network and simplifies training process, to name a few. We demonstrate the efficiency of the proposed architecture on the challenging gaze correction task where our system achieves excellent results. In the third article, we slightly diverge from pure computer vision and study a more general problem of domain adaption. There, we introduce a novel training-time algorithm (\ie, adaptation is attained by using an auxilliary objective in addition to the main one). We seek to extract features that maximally confuse a dedicated network called domain classifier while being useful for the task at hand. The domain classifier is learned simultaneosly with the features and attempts to tell whether those features are coming from the source or the target domain. The proposed technique is easy to implement, yet results in superior performance in all the standard benchmarks. Finally, the fourth article presents a new kind of generative model for image data. Unlike conventional neural network based approaches our system dubbed SPIRAL describes images in terms of concise low-level programs executed by off-the-shelf rendering software used by humans to create visual content. Among other things, this allows SPIRAL not to waste its capacity on minutae of datasets and focus more on the global structure. The latent space of our model is easily interpretable by design and provides means for predictable image manipulation. We test our approach on several popular datasets and demonstrate its power and flexibility.

No description available.