1.3.1. Introduction

Le but de l’expérience est de connaître quelle information visuelle est la plus pertinente dans la tâche de détection : le contour, ou la surface conformément au modèle proposé par Grossberg et al. (Grossberg, 1994 ; Grossberg, 2000 ; Grossberg & Mingolla, 1985 ; Grossberg & Todorovics, 1988 ; Grossberg, Mingolla & Ross, 1997). De plus, l’existence de ce traitement hiérarchique, mais aussi du processus de remplissage, a été mise en évidence par de nombreuse études qui utilisaient une surface uniforme (Krauskopf, 1963 ; Paradiso & Hahn, 1996 ; Paradiso & Nakayama, 1991 ; Rossi & Paradiso ; 1996 ; Stoper & Mansfield, 1979). Toutefois, notre approche se distingue de l’ensemble de ces expériences par le fait que nous utilisons une tâche de détection. L’utilisation de cette tâche est rendue possible grâce à l’utilisation du paradigme de classification perceptive. Cette technique suppose que les zones du signal qui émergent dans l’image de classification donnent des indications sur la nature des informations qui sont utilisées par l’observateur dans sa prise de décision.

La tâche de détection est une tâche extrêmement simple, théoriquement, la réponse (présent/absent) peut être déclenchée dès qu’une information visuelle du signal est encodée. Dans une perspective traditionnelle, la rétine ne contient pas de cellule sensible à la luminosité, seulement au contraste. Par conséquent, la seule information véhiculée au cours du traitement est le contour des objets, et la surface est reconstruite de façon indépendante à ce qui est présenté réellement. Dans ce cas, un contraste positif devrait émerger au niveau des contours du carré dans l’image de classification sans la surface, la zone centrale ne devrait pas être différente du fond. Cette alternative est représentée dans la Figure 45a.

Si il existe des cellules sensibles à la luminosité, alors la surface pourrait très bien participer au traitement même faiblement. Nous avons effectivement vu que des neurones situé dans le CGL et V1 étaient stimulés par une surface uniforme (Rossi & Paradiso, 1999 ; MacEvoy, Kim & Paradiso, 1998 ; Rossi, Rittenhouse & Paradiso, 1998). Toutefois, il est possible que dans ces expériences la stimulation des cellules soit la conséquence de la propagation de l’information à partir d’un contraste. Dans ce cas, l’information principale reste le contour avec en plus une participation de la surface. Dans l’image de classification, l’information de contour serait présente et la luminance de la partie centrale se situerait à niveau intermédiaire entre les contours et le fond. Cette hypothèse est représentée à la Figure 45b.

Par ailleurs, nous pouvons nous attendre à obtenir dans l’image de classification un résultat qui soit conforme au signal que nous avons présenté durant l’expérience. Ceci suppose que l’observateur ajuste sa représentation exactement au signal, il réaliserait alors la tâche de manière optimale (alternative 45c).

Enfin, il est également possible d’obtenir un résultat alternatif par rapport aux deux premières hypothèses qui font référence à un traitement hiérarchique. Si l’information de surface est prévalente à celle du contour alors l’image de classification l’intègre. En effet, nous pourrions obtenir une image dont la réponse de l’observateur serait centrée uniquement sur la zone centrale du signal (Figure 45d).

Figure 45 : Hypothèses concernant l’image de classification lorsque le signal est un carré. La Figure 46a représente l’hypothèse d’une influence du contour seul, la Figure 46b montre l’hypothèse pour laquelle les deux dimensions seraient présentes, la Figure 46c illustre l’hypothèse dans laquelle le signal que nous avons présenté ressort dans nos résultats, enfin la Figure 46d indique l’image que nous devrions obtenir si la surface émerge dans l’image de classification. Les images sont affichées de façon unidimensionnelle mais elles sont généralisables pour des images bi-dimensionnelles.

Comme cela est mentionné dans la partie théorique, l’image de classification est calculée de la façon suivante : les bruits tirés aléatoirement à chaque essai sont triés en fonction des réponses : détection correcte (DC), rejet correct (RC), fausse alarme (FA) et omission (OM). Une moyenne pondérée des bruits est alors calculée pour chacune de ces réponses (Ahumada, 1996) :

Si un nombre suffisant d’essais est pris en compte, les indices émergent significativement dans l’image. Cette analyse se fonde sur l’apriori selon lequel dans le stimulus composite qui est envoyé à chaque essai au système visuel (le signal plus le bruit particulier à cet essai), la réponse est non seulement influencée par le signal lui-même, mais également par la structure du bruit, surtout dans des conditions de visibilité faible du signal, comme ici. La structure du bruit est aléatoire, elle est tirée à chaque essai, mais pour un essai donné elle est fixe. Ainsi, la moyenne des bruits ayant engendrés la réponse « signal présent » contient les indices qui aide le système à donner cette réponse, et la moyenne des bruits ayant engendrés la réponse « signal absent » contient les indices anti-corrélés au signal.