Event-based vision : bio inspired approaches for object recognition and robot control. Bio-inspired approaches based on spiking neural networks and rl-inspired mechanisms

Researchers have taken inspiration from nature countless time in search for more efficient models. Recently, they have found inspiration in the human retina to create a new type of vision sensor: event-based cameras. This type of vision sensor operates in a significantly different way from traditional vision sensors and requires new models and algorithms to fully exploit its advantages. Event based cameras are often coupled with spiking neural networks, a bio-inspired model of neural networks that better handles the data thanks to their asynchronicity, but efficient learning methods are still yet to be found. Since reinforcement learning roughly encodes how we as humans learn and has not been thoroughly explored in the domain, we propose in this thesis two approaches which are inspired on reinforcement learning in the attempt to build a fully bio-inspired framework. The first approach tackles the problem of pattern recognition and detection while the second one deals with robot control of an UAV in several scenarios.

I ricercatori si sono ispirati alla natura innumerevoli volte alla ricerca di modelli più efficienti. Recentemente sono riusciti a creare un nuovo tipo di sensore di visione basato sul funzionamento della retina: le telecamere basate ad eventi ("event-camera"). Questo tipo di sensore opera in modo notevolmente diverso da quelli tradizionali e richiede nuovi modelli e algoritmi per sfruttarne appieno i vantaggi. Tali telecamere sono spesso accoppiate a reti neurali spiking, un modello bio-ispirato di reti neurali che gestisce meglio i dati grazie alla sua asincronicità, ma metodi efficienti di apprendimento devono ancora essere trovati. Poiché l'apprendimento per rinforzo ("reinforcement learning") codifica approssimativamente il modo in cui noi umani apprendiamo, e l’argomento non è stato esplorato a fondo nel dominio, proponiamo in questa tesi due approcci nel tentativo di costruire un quadro completamente bio-ispirato. Il primo approccio affronta il problema del riconoscimento e del rilevamento di pattern, mentre il secondo si occupa del controllo robotico di un UAV in diversi scenari.