Théorie de la reconnaissance par les composantes (Géons) – Irving Biederman

La capacité du système visuel des primates, et singulièrement de l’être humain, à identifier instantanément des objets au sein d’environnements complexes, bruités et perpétuellement changeants, constitue l’un des prodiges computationnels les plus remarquables de l’évolution biologique. En une fraction de seconde, approximativement cent cinquante à deux cents millisecondes, la rétine capte un motif bidimensionnel fluctuant d’intensités lumineuses et le convertit en une expérience phénoménologique stable, sémantiquement chargée : celle d’une chaise, d’un téléphone, d’un prédateur ou d’un outil. Cette prouesse s’accomplit sans effort conscient manifeste, en dépit d’altérations drastiques causées par les variations de point de vue perspectif, les fluctuations d’illumination, les occultations partielles ou les déformations non rigides. Comprendre l’architecture algorithmique et représentationnelle sous-tendant cette invariance perceptive forme depuis plus d’un demi-siècle le cœur névralgique des sciences cognitives, de la neuropsychologie et de l’intelligence artificielle.

Au milieu des années 1980, alors que les sciences de la vision étaient polarisées entre les approches empiristes fondées sur la mise en correspondance d’images globales et les théories computationnelles naissantes inspirées des travaux pionniers de David Marr, le psychologue cognitif américain Irving Biederman formula une proposition théorique d’une rare élégance : la théorie de la reconnaissance par les composantes (souvent désignée sous l’acronyme RBC, pour Recognition-by-Components). Publiée dans sa version magistrale au sein de la prestigieuse revue Psychological Review en 1987, cette modélisation révolutionna l’étude de la perception des formes en postulant que l’inférence des objets tridimensionnels repose sur un répertoire fini d’éléments volumétriques universels, dénommés « géons » (pour geometric ions), articulés selon une grammaire spatiale rigoureuse.

Le génie épistémologique de Biederman fut de concevoir la vision des formes non comme un processus passif d’enregistrement iconique, mais comme un système génératif profondément analogue au langage articulé. De la même façon qu’un ensemble discret de phonèmes permet, par le jeu de règles combinatoires phonotactiques, d’engendrer la totalité du lexique d’une langue humaine, une collection restreinte d’environ trente-six géons élémentaires s’avère capable de coder la quasi-totalité des objets de l’environnement physique. En fondant l’identification de ces composants primaires sur des invariants projectifs géométriques — les propriétés non accidentelles —, la théorie RBC a proposé une solution computationnellement robuste au problème fondamental de l’invariance face au point de vue, marquant durablement la psychophysique expérimentale, les neurosciences visuelles de la voie ventrale et les paradigmes pionniers de la vision par ordinateur.

1. Introduction et fondements épistémologiques de la théorie de la reconnaissance par les composantes

1.1 Contexte historique de la psychologie de la perception visuelle

L’émergence de la théorie de la reconnaissance par les composantes au cours des années 1980 s’inscrit au confluent de plusieurs mutations paradigmatiques majeures au sein de la psychologie cognitive et des neurosciences computationnelles. Durant les décennies 1960 et 1970, l’explication dominante de la reconnaissance des formes demeurait largement inféodée aux modèles d’appariement de gabarits (template matching). Selon cette conception héritée de l’ingénierie précoce et du béhaviorisme méthodologique, le cerveau stockerait en mémoire à long terme une collection exhaustive de représentations bidimensionnelles point par point, analogues à des matrices photographiques d’objets préalablement rencontrés. La reconnaissance visuelle s’effectuerait alors par une opération de corrélation croisée calculant le degré de superposition géométrique entre l’image rétinienne incidente et ces matrices mnésiques.

Cependant, les apories formelles de l’appariement de gabarits devinrent rapidement insurmontables face à l’immense variabilité du monde réel. Comment un tel système pouvait-il tolérer les translations spatiales, les dilatations d’échelle, les rotations tridimensionnelles et les déformations morphologiques sans postuler une prolifération combinatoire infinie de représentations préenregistrées ? L’explosion computationnelle inhérente à ce modèle le rendait biologiquement et théoriquement invraisemblable pour rendre compte de la célérité de l’esprit humain.

Parallèlement, la tradition holistique de la psychologie de la Gestalt, bien qu’ayant magistralement documenté les lois d’organisation perceptive telles que la proximité, la continuité, la fermeture et le destin commun, péchait par un déficit d’opérationnalisation mécaniste. Les gestaltistes décrivaient avec acuité les régularités phénoménologiques sans pour autant en expliciter les algorithmes sous-jacents ni les formats computationnels.

Ce fut le neuro-mathématicien britannique David Marr, dans son ouvrage séminal de 1982, qui révolutionna l’analyse de la vision en la définissant comme un traitement de l’information articulé en trois niveaux épistémologiques distincts : le niveau computationnel (la finalité du calcul et sa logique formelle), le niveau algorithmique et représentationnel (les structures de données et les règles de transformation), et le niveau de l’implémentation physique (le substrat neurobiologique). Marr et son collaborateur Keith Nishihara avaient esquissé en 1978 une approche structuraliste novatrice, suggérant que les objets étaient encodés sous forme de hiérarchies de cylindres généralisés centrés sur l’objet. C’est précisément dans cette brèche théorique qu’Irving Biederman s’engouffra, synthétisant les intuitions gestaltistes, la rigueur computationnelle marrienne et les principes de la géométrie projective pour concevoir la théorie RBC, formalisée de manière décisive dans son article fondateur de 1987 au sein de la Psychological Review.

1.2 Objectifs théoriques et paradigme computationnel

L’ambition cardinale de la théorie de la reconnaissance par les composantes était de résoudre un paradoxe qui hantait la psychologie cognitive depuis ses origines : le paradoxe de la robustesse et de la fulgurance perceptive face à une variabilité physique presque illimitée. Biederman entendait expliciter les mécanismes permettant à un observateur humain d’identifier un objet usuel en moins de deux cents millisecondes, sous des angles d’observation totalement inédits, dans des conditions d’éclairage dégradées et en présence d’occlusions substantielles, sans que l’observateur n’ait jamais eu besoin d’apprendre préalablement cette projection optique spécifique.

Pour répondre à cette problématique, le modèle RBC postule l’existence d’une représentation canonique abstraite centrée sur l’objet (object-centered representation), plutôt que centrée sur l’observateur (viewer-centered representation). Au sein de ce paradigme computationnel, le système visuel ne cherche pas à encoder passivement la configuration superficielle des pixels ou des textures dans le champ récepteur, mais entreprend une déconstruction géométrique active. L’objectif algorithmique consiste à convertir les signaux lumineux incidents en une description structurale hautement économique, articulée autour de primitives volumétriques et de relations spatiales discrètes.

Ce basculement conceptuel permet de s’affranchir de la dépendance métrique continue de la rétine au profit d’une catégorisation qualitative robuste. L’invariance visuelle n’est plus envisagée comme une opération laborieuse de normalisation tridimensionnelle mentale — telle que la rotation mentale postulée par Roger Shepard —, mais comme l’extraction directe de configurations structurelles intrinsèquement stables. La vision devient ainsi un puissant moteur d’inférence inductive capable de classer les stimuli dans des catégories sémantiques précises en dépit de variations drastiques de taille, d’orientation, d’illumination ou de texture de surface.

1.3 L’analogie phonologique : du phonème au géon

L’apport le plus audacieux et le plus heuristique de Biederman réside incontestablement dans l’analogie phonologique qu’il formalisa pour légitimer la viabilité computationnelle de son modèle. Confronté au défi d’expliquer comment un cerveau fini peut discriminer et mémoriser plusieurs dizaines de milliers d’objets distincts tout au long de son existence, Biederman s’inspira directement de la linguistique structuraliste et de la phonologie générative de Noam Chomsky et Morris Halle.

En linguistique, le constat fondamental est celui d’une économie sémiotique vertigineuse : l’ensemble des langues humaines n’utilise qu’un répertoire restreint de quelques dizaines de phonèmes discrets (environ quarante à cinquante dans la plupart des systèmes linguistiques, comme le français ou l’anglais). Ces phonèmes, dépourvus de signification intrinsèque, sont régis par des contraintes phonotactiques et combinés pour forger des centaines de milliers de morphèmes et de lexèmes porteurs de sens. La productivité infinie du langage découle directement de ce système discret et combinatoire.

Biederman transposa rigoureusement ce paradigme à la perception visuelle en postulant l’existence d’un « alphabet structural » de la vision composé d’environ trente-six volumes fondamentaux qu’il baptisa « géons » (abréviation d’ions géométriques). De même que deux ou trois phonèmes combinés peuvent former les mots distincts « bac », « cab » ou « abcès », la simple réorganisation spatiale de deux ou trois géons élémentaires — par exemple un cylindre et une anse incurvée — suffit à engendrer des identités sémantiques radicalement divergentes, telles qu’une tasse à café ou un seau. Cette conception d’une compositionnalité générative résout avec éclat la contrainte de l’économie mnésique : au lieu de saturer les réseaux neuronaux corticaux avec une infinité d’images statiques, le cerveau visuel ne conserve qu’un lexique réduit de briques morphologiques universelles et une syntaxe de liaison relationnelle, autorisant la synthèse et la reconnaissance d’un nombre potentiellement infini d’objets manufacturés ou naturels.

2. Le concept central de géon : Définition et morphologie géométrique

2.1 Définition structurelle et volumétrique des géons

Au cœur de l’édifice théorique de Biederman se trouve le géon, défini comme une primitive volumétrique tridimensionnelle élémentaire, irréductible et convexe, caractérisée par une combinaison univoque de propriétés géométriques qualitatives. Contrairement aux primitives de bas niveau que sont les points lumineux, les barres d’orientation ou les filtres de fréquences spatiales de Gabor, le géon constitue une entité intermédiaire de nature semi-conceptuelle et structurale, possédant une cohérence tridimensionnelle propre.

Les géons archétypaux incarnent des solides géométriques simples mais extrêmement expressifs : des cylindres à section circulaire ou elliptique, des parallélépipèdes rectangles (blocs), des coins pyramidaux, des prismes triangulaires, des tores (formes en beignet ou en anneau) et des cônes tronqués. Ces volumes ne sont pas arbitraires ; ils représentent des classes d’équivalence géométrique robustes générées par l’extrusion d’une coupe transversale bidimensionnelle le long d’un axe de balayage ou axe central (héritage direct du formalisme des cylindres généralisés développé par Thomas Binford en 1971 et raffiné par Marr et Nishihara).

Tout objet physique identifiable est ainsi conceptualisé, selon la RBC, comme un agrégat ordonné de géons solidarisés les uns aux autres par des points de jonction précis. Par exemple, une lampe de bureau typique pourra être adéquatement décrite comme un parallélépipède aplati (le socle), sur lequel est érigé un long cylindre mince (le bras articulé), auquel est articulé un cône creux orienté vers le bas (l’abat-jour). Cette modularité intrinsèque des géons constitue l’unité fondamentale de traitement par laquelle la scène visuelle continue est quantifiée en éléments discrets manipulables par la cognition.

2.2 La taxonomie des 36 géons fondamentaux

L’une des contributions méthodologiques majeures d’Irving Biederman fut de démontrer que son alphabet structural n’était pas le fruit d’une intuition empirique arbitraire, mais le résultat d’une combinatoire mathématique exhaustive régie par des variations qualitatives discrètes. Biederman identifia quatre attributs géométriques fondamentaux caractérisant les contours et les axes des solides extrudés, chacun pouvant adopter un nombre très limité d’états binaires ou ternaires invariants :

• La forme de la coupe transversale (bords) : la délimitation de la section est soit composée de lignes rectilignes (arêtes droites formant des polygones réguliers), soit de contours courbes continus (ellipses ou cercles).
• La symétrie de la coupe transversale : la section bidimensionnelle peut posséder une symétrie axiale bilatérale, une symétrie rotationnelle, ou être asymétrique.
• La courbure de l’axe central d’extrusion : la trajectoire le long de laquelle s’étend la section est soit strictement rectiligne, soit incurvée de façon continue.
• La variation de taille de la coupe le long de l’axe : la section transversale peut maintenir une aire constante (bords parallèles), s’effiler de manière linéaire ou non linéaire pour converger vers un sommet (bords convergents générant des cônes ou des pyramides), ou encore subir une expansion médiane suivie d’un rétrécissement (renflement).

En croisant systématiquement ces quatre dimensions indépendantes — deux types de bords (droits ou courbes) multipliés par trois conditions de symétrie de section, combinés à deux états d’axe (droit ou incurvé) et trois dynamiques d’expansion (constante, convergente ou divergente) —, Biederman parvint à une matrice combinatoire fermée dénombrant environ trente-six primitives canoniques universelles. Chaque géon de cet ensemble clos de 36 solides primaires se distingue catégoriquement de tous les autres par au moins une propriété qualitative discontinue, éliminant ainsi toute équivoque morphologique lors de l’analyse rétinienne descendante.

2.3 Résistance à la dégradation de l’image

L’un des postulats empiriques les plus puissants du modèle RBC réside dans la démonstration que la reconnaissance humaine ne s’effondre pas proportionnellement à la perte globale d’énergie lumineuse ou de pixels d’une image, mais réagit sélectivement à la localisation structurale des dégradations. Biederman a formulé la prédiction théorique suivante : tant que les informations optiques permettant de déduire les attributs diagnostiques d’un géon sont préservées, l’objet entier demeure aisément reconnaissable, même si plus de 60 % de ses contours linéaires ont été effacés.

Cette résilience repose sur le comportement asymétrique des différentes portions d’un dessin au trait. Si l’on dégrade une image en supprimant les segments médians rectilignes ou curvilignes situés au milieu des contours des géons, le système perceptif comble sans peine les lacunes par complétion automatique de la continuité de contour. En revanche, si la suppression de contour s’attaque spécifiquement aux zones d’inflexion, de concavité et de sommets — c’est-à-dire là où convergent plusieurs arêtes —, la possibilité même d’inférer les géons sous-jacents est anéantie. Les sommets et les jonctions ne sont pas simplement des détails géométriques : ils constituent les « verrous computationnels » contenant les signatures optiques indispensables à la décomposition volumétrique. Dès lors que ces nœuds critiques sont oblitérés, le système de reconnaissance s’effondre de manière catastrophique, confirmant que le décodage cérébral dépend de la visibilité des géons constitutifs bien plus que de la surface globale du contour visible.

3. Propriétés non accidentelles (NAP) et invariance projective

3.1 Principe d’invariance et régularités optiques

Comment le cerveau visuel parvient-il à inférer avec certitude l’existence d’un géon tridimensionnel à partir d’une image rétinienne qui n’est, par définition optique, qu’une projection bidimensionnelle plane ? La réponse formulée par la théorie RBC s’enracine dans la géométrie projective et l’exploitation des propriétés non accidentelles (en anglais, Non-Accidental Properties ou NAP), un concept initialement théorisé par le chercheur en vision artificielle Thomas Binford et approfondi par le psychologue Donald Lowe.

Dans l’espace physique, tout objet réel se projette sur la rétine sous une infinité d’angles possibles. Cependant, les lois statistiques de l’optique révèlent que certaines caractéristiques géométriques d’une projection plane ne changent pas lors d’une translation ou d’une rotation continue du point de vue, à l’exception d’un ensemble de points de vue infiniment restreint dit « points de vue accidentels ». Par exemple, si trois points de l’espace tridimensionnel sont rigoureusement alignés sur une même droite physique, leur projection optique formera presque systématiquement trois points collinéaires sur la rétine. Il faudrait que l’œil se place exactement dans le prolongement infinitésimal de l’axe pour observer un point unique — une éventualité statistique quasi nulle dans le flux écologique naturel.

Le système perceptif humain s’appuie sur une heuristique de vraisemblance fondamentale : si une régularité géométrique spécifique (comme une ligne droite ou un parallélisme) est détectée sur l’image rétinienne, le cerveau fait le pari computationnel probabiliste que cette régularité reflète fidèlement une propriété physique réelle de l’objet dans le monde, plutôt que le fruit d’un alignement fortuit et accidentel entre l’observateur et l’environnement. C’est ce principe qui confère aux propriétés non accidentelles leur pouvoir discriminant invariant face au point de vue perspectif.

3.2 Les cinq propriétés non accidentelles fondamentales

Biederman a isolé cinq propriétés non accidentelles primaires exploitées de façon universelle par le cortex visuel humain pour transcrire les arêtes bidimensionnelles brutes en représentations volumétriques de géons :

• La collinéarité : la projection d’une ligne droite du monde réel produit invariablement un segment rectiligne sur la rétine. Si deux segments semblent collinéaires dans l’image, le système conclut qu’ils appartiennent à une arête droite continue dans le monde physique.
• La curvilinéarité : les contours incurvés réguliers se projettent sous forme de courbes lisses sur la rétine. Une courbure rétinienne est interprétée comme la signature directe d’un volume physique courbé, et non comme une droite déformée par la perspective.
• La symétrie axiale et la symétrie bilatérale : des éléments morphologiques symétriques dans l’espace tridimensionnel conservent des relations de symétrie (ou de pseudo-symétrie projetée) très fortes sur l’image bidimensionnelle, signalant l’axe médian d’un solide régulier.
• Le parallélisme : deux arêtes physiques rigoureusement parallèles dans l’espace physique ont une probabilité maximale de se projeter sous forme de lignes parallèles ou sous-tendant un point de fuite commun régulier sur le plan focal rétinien.
• La coterminaison : la rencontre de deux ou plusieurs arêtes physiques en un sommet spatial unique engendre quasi systématiquement la convergence de ces lignes vers un point de jonction commun sur la rétine (formation de sommets conjoints).

La présence ou l’absence simultanée de ces cinq attributs invariants permet au système visuel d’opérer une classification sans équivoque : un cylindre, par exemple, sera immédiatement et infailliblement diagnostiqué par la présence de deux lignes parallèles (propriété de parallélisme) délimitées à leurs extrémités par des contours courbes lisses (propriété de curvilinéarité) convergeant vers des jonctions de terminaison lisses, et ce quel que soit l’angle d’observation sous lequel le cylindre est appréhendé.

3.3 Typologie et rôle discriminant des jonctions

Au sein des propriétés non accidentelles, la coterminaison des contours joue un rôle gravitationnel suprême à travers la typologie des jonctions d’arêtes. La recherche en vision computationnelle menée par des pionniers comme David Waltz, Max Clowes et Alistair Huffman a formalisé une grammaire stricte des types de sommets géométriques bidimensionnels générés par l’intersection des surfaces d’un polyèdre. Biederman a incorporé cette taxonomie dans sa théorie en démontrant que le cerveau utilise la morphologie spécifique de ces sommets pour décoder l’architecture volumétrique locale :

• Les jonctions en Y (ou en fourche) : caractérisées par la rencontre de trois arêtes formant des angles obtus mutuels (tous inférieurs à 180°), elles constituent l’indice par excellence d’un coin volumétrique convexe tridimensionnel pointant vers l’observateur, tel que le coin supérieur visible d’un parallélépipède ou d’une boîte.
• Les jonctions en flèche (Arrow junctions) : formées de trois lignes se croisant en un sommet où deux segments définissent un angle aigu et le troisième est intérieur, elles signalent sans ambiguïté l’arête saillante d’un coin convexe où deux faces sont visibles tandis que la troisième se déploie à l’opposé de l’axe de visée.
• Les jonctions en T : caractérisées par une ligne discontinue interrompue perpendiculairement par une ligne continue traversante. Elles n’indiquent presque jamais un coin d’objet unitaire, mais représentent le marqueur universel d’une discontinuité de profondeur : la barre supérieure du T matérialise le contour occluant d’un objet d’avant-plan, tandis que la branche verticale correspond à la silhouette interrompue d’un volume d’arrière-plan.
• Les jonctions en L : marquant la rencontre de deux contours formant un angle aigu ou obtus, elles délimitent les contours externes d’occlusion ou les frontières périphériques d’un solide isolé.

L’extraction algorithmique rapide de ces configurations de sommets dans les étapes initiales du traitement cortical permet de lever instantanément toute indécision topologique. Le système sait précisément où un géon commence, où il s’achève et à quel autre géon il est structurellement articulé.

4. Le processus computationnel de décomposition visuelle

4.1 Étape 1 : Extraction précoce des contours et des arêtes

Le déroulement computationnel postulée par la théorie RBC débute par une phase d’analyse rétinotopique locale de bas niveau, exécutée physiologiquement au sein du cortex visuel primaire (aire striée V1) et des aires extra-striées précoces (V2). Face à la luminance continue et hétérogène de la scène optique incidente, le système neuro-computationnel procède à un filtrage spatial passe-bande au moyen d’ondes sinusoïdales modulées par des gaussiennes (opérateurs de type filtres de Gabor ou laplaciens de gaussiennes).

Cette opération algorithmique a pour fonction d’annihiler les gradients continus de textures non informatives, les reflets parasites et le bruit visuel haute fréquence afin d’extraire une carte d’intensité des discontinuités de luminance, communément appelée « esquisse primaire » (primal sketch selon Marr). Les cellules simples et complexes de l’aire V1 détectent l’orientation spatiale, la phase et l’échelle des contours bruts. L’aboutissement de cette première étape computationnelle est la transformation de l’image rétinienne en un dessin au trait mental épuré (line drawing representation), où seules subsistent les limites physiques tangibles des surfaces, les arêtes d’intersection et les silhouettes extrinsèques des corps solides.

4.2 Étape 2 : Détection des concavités et segmentation volumétrique

Une fois les contours linéaires consolidés, le système visuel est confronté à l’impératif de segmenter cette silhouette globale continue en sous-parties individualisées. C’est ici qu’intervient l’un des mécanismes les plus élégants du modèle RBC, adossé aux lois de la géométrie différentielle et plus spécifiquement au principe de transversalité explicité par les scientifiques cognitifs Donald Hoffman et Whitman Richards en 1984.

Selon le principe de transversalité, lorsque deux volumes solides tridimensionnels distincts et arbitraires pénètrent l’un dans l’autre ou se rejoignent dans l’espace physique, l’intersection de leurs surfaces respectives engendre presque inévitablement une ligne de discontinuité caractérisée par une concavité topologique prononcée. Projetée dans le plan bidimensionnel de la rétine, cette frontière physique de jonction se manifeste systématiquement sous la forme de points d’indentation concave locale, c’est-à-dire des zones de minima de courbure négative sur la silhouette de contour.

Le modèle de Biederman démontre que le système visuel scanne méthodiquement les contours segmentés pour y repérer ces concavités accusées. Dès que deux minima de courbure négative sont détectés en opposition spatiale relative sur un contour, le cerveau trace automatiquement une frontière virtuelle de bipartition unissant ces points. Cette opération mathématique de découpage segmente instantanément l’objet global en une collection de sous-régions convexes distinctes. Chaque zone résultante de cette segmentation présente une courbure positive continue, signalant la présence autonome et indivisible d’un composant volumétrique potentiel.

4.3 Étape 3 : Cartographie des propriétés non accidentelles et identification des géons

Dès lors que la segmentation le long des minima de courbure négative a délimité les frontières des sous-parties de l’objet, chaque composant isolé fait l’objet d’une analyse géométrique focalisée. Le système visuel met en œuvre un processus d’appariement formel entre les caractéristiques de contour de la partie segmentée et les spécifications invariantes de la taxonomie des géons.

Cette étape repose sur l’évaluation simultanée et parallèle des propriétés non accidentelles présentes au sein du composant délimité :

• Les bords opposés du composant sont-ils collinéaires et parallèles, ou au contraire convergents vers un point d’intersection virtuel ?
• La section transversale déduite des jonctions périphériques est-elle courbée (indiquant une surface de révolution comme un cylindre) ou polygonale (indiquant un parallélépipède ou un prisme) ?
• L’axe médian d’étirement du volume est-il rectiligne ou incurvé ?

En croisant ces diagnostics qualitatifs discrets, le système élimine instantanément les hypothèses géométriques concurrentes pour ne retenir qu’un seul profil de volume parmi les trente-six disponibles dans l’alphabet mental. Il convient de souligner que cette classification est totalement insensible aux variations métriques continues : qu’un cylindre soit allongé ou trapu, épais ou grêle, son assignation à la catégorie structurale du « géon cylindre » demeure inchangée. L’activation représentationnelle du géon constitutif est alors scellée, prête à être intégrée au niveau computationnel supérieur.

5. L’organisation structurale et les relations spatiales entre géons

5.1 Grammaire des relations spatiales

L’identification isolée des géons constitutifs ne suffit pas à définir l’identité d’un objet complexe. Tout comme un sac de lettres désordonné ne compose pas un mot intelligible, une simple collection non structurée de géons demeure sémantiquement opaque. Pour Biederman, le pouvoir expressif de la théorie de la reconnaissance par les composantes découle d’une syntaxe rigoureuse codant les relations spatiales mutuelles entre les géons identifiés.

De manière cohérente avec l’ensemble du paradigme RBC, ces relations spatiales ne sont pas définies en coordonnées cartésiennes continues ou en distances métriques précises (telles que mesurer un écartement exact de 12,4 centimètres), mais sous forme de relations topologiques qualitatives et discrètes :

• La localisation relative : prédicats spatiaux catégoriels fondamentaux tels que « au-dessus de », « en dessous de », « latéralement adjacent à ».
• La topologie de connexion : type d’attachement physique unissant deux composants, spécifiant si l’assemblage s’opère par une relation de type « extrémité-à-côté » (par exemple, le manche d’une tasse fixé sur le flanc de son cylindre), de type « extrémité-à-extrémité » (deux segments de bras articulés), ou de type « pénétration/emboîtement central ».
• La dominance volumétrique relative : évaluation comparative grossière désignant quel géon constitue la composante structurelle maîtresse (le tronc ou le corps central) et quel géon joue le rôle d’appendice subordonné (la poignée, le bouton, la patte).

Cette grammaire relationnelle impose des contraintes structurales très sévères. Si l’on déplace le cylindre courbé représentant l’anse d’une tasse depuis son flanc latéral pour le transposer au sommet de l’ouverture du cylindre principal, l’objet cesse immédiatement d’être catégorisé comme une « tasse » pour être instantanément perçu comme un « seau » ou un « panier ». La structure relationnelle est le vecteur premier du sens sémantique.

5.2 Construction de la description structurale globale

À l’issue de l’extraction des composants et du décodage de leur syntaxe de jonction, le cerveau visuel procède à l’assemblage d’un format représentationnel unifié : la description structurale globale (structural description). Cette entité computationnelle prend la forme formelle d’un graphe relationnel propositionnel ou d’un réseau de nœuds interconnectés.

Au sein de ce graphe interne, chaque nœud représente un géon spécifique caractérisé par ses attributs non accidentels intrinsèques (G1 = bloc rectangulaire, G2 = cylindre droit, G3 = tore partiel), tandis que les arêtes du graphe codent les prédicats spatiaux qualitatifs unissant ces nœuds (G3 est attaché sur le flanc supérieur droit de G2 ; G2 repose sur la face supérieure centrale de G1). Ce format de représentation jouit d’une résilience phénoménale face aux perturbations du signal rétinien :

• Il est entièrement centré sur l’objet et donc intrinsèquement invariant face aux translations rétiniennes et aux dilatations d’échelle absolue.
• Il tolère une variabilité considérable des postures et déformations flexibles continues (par exemple, un corps animal dont les membres changent d’angle tout en conservant leur topologie de connexion extrémité-à-côté).
• Il permet une indexation mnésique quasi instantanée au sein de la mémoire sémantique à long terme, le graphe propositionnel perçu étant mis en correspondance parallèle avec les archétypes de catégories d’objets stockés dans le cortex cérébral.

5.3 Résolution de l’ambiguïté par redondance relationnelle

L’un des avantages computationnels les plus décisifs de la description structurale réside dans sa formidable redondance relationnelle. Dans l’environnement visuel naturel, il est exceptionnel qu’un objet soit parfaitement et intégralement visible sous une illumination idéale. Les occultations partielles causées par la végétation, d’autres objets intercalés ou des ombres portées sévères privent continuellement le système d’une partie des signaux de contour.

Néanmoins, la théorie RBC démontre qu’un objet constitué d’une multiplicité de géons possède une surdétermination informationnelle intrinsèque. Dès lors que deux ou trois géons critiques et leurs interconnexions spatiales sont clairement discriminés, l’espace d’hypothèses sur l’identité de l’objet est drastiquement élagué. Par exemple, la détection d’un grand cylindre vertical flanqué d’un petit cylindre creux convergent (un bec verseur) et d’un tore latéral (une anse) contraint si fortement les degrés de liberté géométriques qu’aucun autre concept que celui d’une « théière » ou d’une « cafetière » ne peut mathématiquement satisfaire ces prédicats.

Ce phénomène d’inférence descendante guidée par la structure relationnelle permet au cerveau de restituer les géons manquants ou masqués par un processus de complétion cognitive descendante (top-down pattern completion). L’ambiguïté locale est ainsi résolue sans effort computationnel supplémentaire par la cohérence globale du graphe géonique.

6. L’expérience séminale de Biederman (1987) et preuves empiriques

6.1 Protocole expérimental et méthodologie de dégradation

Afin de soumettre la théorie de la reconnaissance par les composantes à une réfutation empirique rigoureuse au sens poppérien, Irving Biederman conçut une série d’expériences psychophysiques novatrices publiées dans son article princeps de 1987. L’objectif était de tester directement le rôle primordial assigné aux propriétés non accidentelles et aux sommets de concavité dans l’identification visuelle.

Le paradigme expérimental reposait sur la manipulation systématique de dessins au trait représentant des objets manufacturés et naturels courants (bicyclettes, téléphones, avions, chaises, tasses). Biederman généra des conditions d’altération physique rigoureusement contrôlées où une proportion quantitative identique de contours linéaires était soustraite (généralement entre 50 % et 65 % de l’encre totale des tracés éliminée), mais selon deux modalités qualitatives radicalement distinctes :

• La condition de suppression des milieux de segments (vertices preserved) : les contours rectilignes ou curvilignes continus des surfaces étaient interrompus en leur milieu par de larges lacunes blanches, mais l’ensemble des jonctions structurales en Y, en T, en L, en flèche ainsi que les minima de courbure négative étaient scrupuleusement laissés intacts.
• La condition de suppression des sommets (vertices deleted) : la même quantité géométrique exacte de tracé était retirée, mais en ciblant chirurgicalement les zones de sommets, d’intersections et de concavités, de sorte que seules subsistaient des lignes médianes déconnectées dans le vide.

Ces stimuli dégradés étaient présentés à des sujets humains dans des dispositifs tachistoscopiques contrôlés, avec des durées d’exposition ultra-brèves allant de 65 à 200 millisecondes, immédiatement suivies d’un masque visuel texturé destiné à interrompre tout traitement rétinien résiduel persistant. Les variables dépendantes mesurées avec une précision chronométrique comprenaient les temps de réaction pour nommer l’objet et le taux d’erreur catégorielle.

6.2 Résultats statistiques et corroborations comportementales

Les données empiriques recueillies par Biederman apportèrent une confirmation éclatante et spectaculaire aux prédictions déduites du modèle RBC. Les performances des observateurs mirent au jour une dissociation comportementale massive entre les deux conditions de dégradation visuelle, nonobstant l’égalité mathématique de l’information graphique physique supprimée :

Dans la condition où les sommets et les jonctions étaient préservés (vertices preserved), les sujets identifièrent les objets avec une vélocité et une précision quasi identiques à celles obtenues avec des dessins complets non dégradés. Les taux d’erreur demeurèrent remarquablement bas (souvent inférieurs à 10 %), et les temps de réaction n’augmentèrent que de quelques dizaines de millisecondes, attestant que le système visuel parvenait sans difficulté à induire les propriétés non accidentelles et à déduire l’identité des géons constitutifs.

À l’inverse, dans la condition où les sommets avaient été soustraits (vertices deleted), les performances s’effondrèrent de façon catastrophique. Les taux d’erreur bondirent à des niveaux massifs (atteignant fréquemment 50 % à 70 % d’échecs de reconnaissance à des temps d’exposition brefs), et les temps de réponse accusèrent un ralentissement colossal. En l’absence des jonctions critiques, les segments résiduels étaient perçus comme des traits disparates incohérents, incapables de déclencher l’activation de l’alphabet des géons. Ces résultats démontrèrent sans équivoque possible que la reconnaissance des formes ne s’appuie pas sur une sommation linéaire de contours bruts, mais dépend impérieusement de la détection de configurations nodales indispensables à l’extraction volumétrique.

6.3 Amorçage structural et effets de transfert

Pour approfondir la nature représentationnelle des formats mnésiques générés lors de la perception des objets, Biederman et ses collaborateurs déployèrent des protocoles d’amorçage à long terme (priming paradigms) d’une extrême sophistication méthodologique. La question cardinale était de savoir si l’empreinte mnésique laissée par la reconnaissance d’un objet correspondait à une matrice de contours spécifiques ou à une description géonique abstraite.

Dans une expérience célèbre, Biederman et Eric Cooper (1991) présentèrent aux participants des objets dégradés formés de la moitié des contours seulement (stimulus A). Lors d’une phase de test ultérieure, ils comparèrent l’effet d’amorçage obtenu lors de la présentation d’une version complémentaire du même objet (stimulus B, constitué exactement des contours qui avaient été omis dans le stimulus A) à l’amorçage produit par un exemplaire conceptuellement identique mais morphologiquement distinct (par exemple, une autre variante de chaise composée de géons différents).

Les résultats révélèrent que l’amorçage structural entre les deux versions complémentaires d’un même objet était statistiquement équivalent à l’amorçage obtenu par la réapparition de l’image strictement identique, alors même que les deux stimuli complémentaires ne partageaient aucun pixel et aucune arête physique commune au plan rétinien. Tant que les deux moitiés complémentaires permettaient d’extraire les mêmes géons aux mêmes positions spatiales relatives, le cerveau bénéficiait d’une facilitation mnésique totale. Cette preuve expérimentale irréfutable scella l’idée que les représentations visuelles stockées et réactivées dans le système cognitif sont des descriptions géoniques invariantes, et non de simples traces sensorielles superficielles de bas niveau.

7. Invariance du point de vue : Débats et contrastes théoriques

7.1 Le modèle RBC : Représentation centrée sur l’objet (Object-Centered)

L’une des thèses les plus radicales défendues par Irving Biederman à travers la théorie RBC concerne l’invariance absolue de la reconnaissance face au point de vue (viewpoint-invariance). Selon cette approche, parce que les géons sont spécifiés par des propriétés non accidentelles hautement résistantes aux projections projectives obliques, la description structurale d’un objet demeure strictement identique à travers une immense plage de rotations tridimensionnelles dans la profondeur.

Cette perspective postule une représentation interne centrée sur l’objet (object-centered). L’observateur n’a pas besoin de convertir ou de normaliser mentalement la vue perceptive incidente pour la faire correspondre à un format mémorisé. Dès lors qu’une rotation dans l’espace ne provoque pas de catastrophe topologique — c’est-à-dire tant qu’elle ne dissimule pas un géon critique derrière un autre ou qu’elle n’engendre pas un point de vue accidentel exceptionnel —, les mêmes géons sont extraits, les mêmes prédicats relationnels sont confirmés et l’objet est identifié avec une vitesse et une exactitude parfaitement stables. Biederman prédisait ainsi l’absence de coût chronométrique lors de la présentation d’objets usuels sous des orientations azimutales et zénithales variées.

7.2 L’approche concurrente : Modèles dépendants du point de vue (View-Based)

Cette proclamation d’une invariance généralisée suscita immédiatement une controverse théorique d’une rare intensité au sein des sciences cognitives, marquant les débats des années 1990. Un courant théorique adverse et vigoureux, mené par des chercheurs tels que Michael J. Tarr, Heinrich H. Bülthoff et Shimon Edelman, contesta frontalement la vision biederanienne en brandissant le paradigme des modèles dépendants du point de vue (view-based recognition ou viewer-centered models).

S’appuyant sur les théories de l’interpolation de vues développées initialement par Shimon Ullman et Tomaso Poggio, les tenants du modèle basé sur les vues avancèrent que les représentations en mémoire conservent la trace indélébile des angles d’observation particuliers sous lesquels un objet a été préalablement encodé. Tarr et Bülthoff menèrent une pléthore d’expériences psychophysiques utilisant des stimuli tridimensionnels inédits et hautement contrôlés — tels que les célèbres stimuli en blocs métalliques torsadés ou les figures de Shepard-Metzler — et documentèrent systématiquement un phénomène incompatible avec la théorie RBC canonique :

Les temps de réaction et les taux d’erreur des observateurs augmentaient de façon continue et monotone en fonction directe du degré de rotation angulaire tridimensionnelle séparant l’angle du stimulus affiché de l’angle d’apprentissage canonique préalablement mémorisé. Ce « coût rotationnel » systématique suggérait que le cerveau devait effectuer des opérations d’alignement géométrique continu, d’interpolation linéaire de surfaces ou de rotation mentale dépendante du point de vue pour parvenir à l’identification, ruinant l’hypothèse d’une invariance universelle et spontanée des géons.

7.3 Réconciliation et consensus théorique contemporain

La confrontation entre les paradigmes centré sur l’objet (RBC) et dépendant du point de vue (view-based) a débouché, à l’issue de deux décennies de confrontations empiriques méticuleuses, sur un consensus scientifique d’une grande maturité épistémologique, articulé autour de la granularité catégorielle exigée par la tâche perceptive.

La communauté cognitive admet aujourd’hui que ces deux modalités de traitement coexistent harmonieusement au sein de l’architecture visuelle humaine, opérant à des niveaux d’abstraction complémentaires :

• Le régime structural invariant (RBC) : il domine de manière souveraine lors des tâches de reconnaissance et de catégorisation au « niveau de base » (basic-level categorization). Lorsqu’il s’agit de discriminer une chaise d’une automobile, d’une tasse ou d’un chien, le système n’a besoin que de la configuration qualitative des géons. Cette opération est computationnellement économique, rapide et rigoureusement indépendante du point de vue d’observation.
• Le régime fondé sur les vues (View-based) : il devient indispensable dès lors que la tâche perceptive requiert une discrimination fine d’exemplaires subordonnés au sein d’une même classe morphologique homogène (subordinate-level discrimination), comme différencier deux modèles d’automobiles très proches ou reconnaître un visage humain particulier. Dans ce registre, tous les stimuli partagent rigoureusement les mêmes géons dans les mêmes relations spatiales ; l’alphabet de Biederman devient impuissant, obligeant le système à mobiliser des calculs métriques précis, dépendants du point de vue, de l’illumination et de textures de surface continues.

8. Neurobiologie et substrats cérébraux de la reconnaissance par composantes

8.1 Voie ventrale et hiérarchie du traitement visuel

Les postulats computationnels de la théorie de Biederman ont trouvé des ancrages remarquables au sein de la neuro-anatomie fonctionnelle du système visuel des primates. Les neuroscientifiques Leslie Ungerleider et Mortimer Mishkin ont formalisé en 1982 la bipartition majeure entre la voie dorsale (« voie du où » ou de l’action) projetant vers le cortex pariétal et la voie ventrale (« voie du quoi » ou de l’identification perceptive) s’étendant du cortex occipital jusqu’au cortex inféro-temporal.

Le traitement des composantes volumétriques cartographie avec une fidélité frappante la hiérarchie ascendante de la voie ventrale :

• Aires primaires V1 et V2 : détection locale des discontinuités de luminance, extraction de l’orientation spatiale des segments de contour linéaires et résolution précoce des jonctions d’arêtes par les neurones sensibles aux terminaisons (end-stopped cells).
• Aire visuelle V4 : constitue une étape computationnelle nodale pour la théorie RBC. Les neurones de V4 ne se contentent plus de répondre à des barres simples, mais manifestent une sélectivité prononcée pour des configurations de courbure angulaire convexe ou concave et des segments orientés par rapport au centre d’un volume. V4 opère la synthèse géométrique locale indispensable à la détection des minima de courbure négative prescrits par le principe de transversalité de Hoffman et Richards.
• Le complexe inféro-temporal (IT) : stade terminal de la voie ventrale où s’accomplissent l’intégration globale de l’objet, la synthèse des descriptions structurales et l’association directe avec la sémantique catégorielle.

8.2 Preuves neurophysiologiques chez le primate non humain

L’exploration neurophysiologique unitaire chez le macaque éveillé a apporté des corroborations empiriques d’une précision saisissante à la théorie RBC. Les travaux séminaux du neurophysiologiste japonais Keiji Tanaka et de son équipe au RIKEN Brain Science Institute dans les années 1990 ont révélé la logique d’organisation en colonnes du cortex inféro-temporal antérieur (aire TE).

Tanaka démontra, par une méthode ingénieuse de simplification régressive d’images (reduction method), que les neurones de l’aire TE ne réagissent pas de manière optimale à des photographies complexes ou à des formes planes arbitraires, mais sont sélectivement accordés à des combinaisons modérément complexes de caractéristiques volumétriques : très précisément des cylindres, des cônes convergeants, des blocs rectangulaires munis de saillies ou des jonctions d’arêtes en T et en Y. Ces configurations neuronales correspondent terme à terme aux primitives géoniques théorisées par Biederman.

De surcroît, les enregistrements unicellulaires démontrèrent que ces colonnes corticales géoniques conservent leur fréquence de décharge élevée à travers de considérables translations du stimulus dans le champ visuel rétinien ainsi qu’à travers d’amples variations d’échelle, validant au niveau synaptique l’existence de mécanismes neuronaux dédiés au codage d’invariants structuraux centrés sur l’objet.

8.3 Études de neuro-imagerie fonctionnelle humaine (IRMf)

Chez l’être humain, l’avènement de l’imagerie par résonance magnétique fonctionnelle (IRMf) à la fin des années 1990 a permis de localiser avec précision les réseaux cérébraux sous-tendant la décomposition géonique. Les recherches menées notamment par Russell Epstein, Kalanit Grill-Spector et Rafael Malach ont mis en évidence le rôle cardinal du complexe occipital latéral (Lateral Occipital Complex ou LOC).

Le LOC, situé anatomiquement sur la face ventro-latérale du cortex occipito-temporal, présente une activation robuste et préférentielle face à des images d’objets intacts ou des dessins au trait dotés de structures volumétriques reconnaissables, par contraste avec des images bruitées possédant la même distribution de fréquences spatiales mais dénuées d’organisation géométrique. En utilisant le paradigme d’adaptation de l’IRMf (ou suppression de répétition), des neuroscientifiques comme Irving Biederman et Thomas Hayworth (2006) ont prouvé que les voxels du LOC manifestent un phénomène d’adaptation neuronale identique lorsque l’on présente consécutivement deux vues d’un même objet sous des angles de rotation substantiels, à la condition expresse que la composition en géons et la topologie des sommets soient préservées.

Ces données d’imagerie fonctionnelle ont également scellé une dissociation anatomique majeure : tandis que les régions occipitales postérieures codent fidèlement les signaux photométriques de surface (textures, luminance, couleur), la sous-région antérieure du LOC s’abstrait de ces facteurs pour encoder exclusivement la géométrie des parties structurales, fournissant un substrat cortical probant à la description structurale postulée par la théorie de la reconnaissance par les composantes.

9. Différenciation catégorielle : Reconnaissance de base versus reconnaissance d’exemplaire

9.1 Le niveau de base d’Eleanor Rosch sous l’angle de la théorie RBC

L’une des convergences les plus fécondes de la théorie RBC réside dans son imbrication théorique parfaite avec les travaux de la psychologue cognitiviste Eleanor Rosch relatifs à la taxonomie catégorielle humaine. Rosch avait démontré que notre répertoire conceptuel s’organise selon une structure hiérarchique verticale comportant trois paliers d’abstraction : le niveau superordonné (ex. : meuble, véhicule, animal), le niveau de base (ex. : chaise, voiture, chien) et le niveau subordonné (ex. : chaise berçante, berline décapotable, caniche royal).

Le niveau de base se distingue psychologiquement par une primauté cognitive absolue : c’est le niveau auquel les sujets nomment spontanément les objets, le premier niveau acquis par l’enfant au cours du développement du langage, et le niveau auquel l’identification est la plus fulgurante. Or, avant Biederman, aucune théorie de la perception ne parvenait à expliciter le fondement perceptif physique de cette primauté.

La théorie de la reconnaissance par les composantes apporte l’explication computationnelle manquante : une catégorie du niveau de base est précisément définie comme la plus vaste classe d’objets du monde physique partageant une même configuration globale canonique de géons et de relations structurales. Tous les objets tombant sous le label « chaise » possèdent typiquement une assise (bloc horizontal), quatre pieds (cylindres verticaux sous l’assise) et un dossier (plan vertical au-dessus de l’assise). La reconnaissance au niveau de base correspond ainsi, point par point, à l’appariement direct du graphe de géons extrait avec la description structurale archétypale stockée en mémoire. À ce stade générique, l’identification ne réclame aucun calcul métrique complexe : elle est instantanée, robuste et invariante.

9.2 Le problème des exemplaires subordonnés et des visages

À l’opposé du niveau de base, la théorie RBC se heurte à une limite structurelle rédhibitoire dès lors que l’on aborde la reconnaissance d’exemplaires subordonnés au sein d’une morphologie partagée. Si tous les chiens possèdent la même organisation géonique fondamentale (un tronc cylindrique, quatre membres cylindriques, un cylindre pour le cou, une tête et des appendices pour les oreilles et la queue), la simple extraction des géons s’avère structurellement incapable d’expliquer comment un observateur distingue un lévrier afghan d’un bulldog, ou un goéland d’un albatros.

Cette aporie atteint son paroxysme avec la reconnaissance des visages humains. Tous les visages sans exception partagent une architecture structurale strictement congruente : un ovoïde central flanqué de deux sphères oculaires horizontales, surplombant un volume nasal médian et une fente buccale inférieure. L’alphabet des 36 géons ne peut opérer la moindre différenciation d’individuation faciale.

Les neurosciences cognitives ont démontré de manière irréfutable, à travers l’étude de patients prosopagnosiques et les enregistrements dans l’aire fusiforme des visages (Fusiform Face Area ou FFA), que le traitement des visages mobilise un système de traitement perceptif totalement distinct et parallèle à la voie RBC. Contrairement à la vision analytique par parties décomposables de Biederman, la reconnaissance des visages repose sur un traitement hautement holistique et configural, ultra-sensible aux distances métriques continues infinitésimales (écartement inter-pupillaire, distance nez-bouche) et soumis au dramatique effet d’inversion faciale (face inversion effect) documenté par Robert Yin. Le modèle géonique doit ainsi humblement concéder qu’il constitue une théorie de la reconnaissance des objets manufacturés et biologiques au niveau de base, et non un modèle universel de la discrimination d’expertise subordonnée.

9.3 Objets amorphes et substances naturelles sans géons

Une limitation épistémologique supplémentaire de la théorie de Biederman concerne les entités du monde physique qui ne se prêtent intrinsèquement à aucune description volumétrique convexe segmentable. L’environnement écologique abonde en substances continues, amorphes ou chaotiques qui échappent constitutivement à la taxonomie des géons :

• Les étendues liquides, les vagues, les flaques d’eau et les coulées de boue ;
• Les matières particulaires telles que les dunes de sable, les amas de gravier ou les tas de poudre ;
• Les masses informes gazeuses comme les nuages, la fumée ou le brouillard ;
• Les enchevêtrements biologiques fractals et denses tels que les buissons épineux, le feuillage des arbres ou les chevelures.

Face à ces stimuli, le principe de transversalité échoue : il n’y a pas de minima de courbure négative réguliers, pas de jonctions d’arêtes nettes en Y ou en flèche, et par conséquent aucun géon n’est inductible. La catégorisation et l’interaction avec ces entités physiques indispensables à la survie reposent sur des modules de vision tout à fait différents, dévolus à l’analyse statistique des textures de surface (ondelettes spatiales, micro-motifs de gradients), au traitement colorimétrique par contrastes chromatiques et aux gradients photométriques de brillance et de réflectance spectrale. La théorie RBC ne peut donc prétendre à l’exhaustivité écologique de la vision.

10. Limites théoriques et critiques contemporaines du modèle RBC

10.1 La sous-estimation des indices de surface

L’une des faiblesses conceptuelles les plus critiquées de la théorie de la reconnaissance par les composantes dans sa formulation originelle de 1987 est son mépris presque dogmatique envers les indices de surface, singulièrement la texture, la couleur, l’ombrage et la brillance spéculaire. Pour Biederman, ces attributs étaient relégués au rang d’indices hautement secondaires, voire superfétatoires, utiles tout au plus pour discriminer des substances amorphes ou accélérer marginalement la réponse lors de scènes dégradées.

Or, une constellation d’études psychophysiques contemporaines — menées entre autres par Alice O’Toole, James Tanaka et Michael Tarr — a magistralement réfuté cette marginalisation des propriétés photométriques. Pour de multiples catégories d’objets naturels (fruits, légumes, minéraux, animaux terrestres et marins), la couleur ne constitue pas un luxe perceptif tardif, mais une propriété diagnostique intrinsèque (color diagnosticity) traitée dès les stades les plus précoces de l’analyse visuelle. Présenter une banane colorée en pourpre ou une fraise en bleu turquoise ralentit considérablement la reconnaissance et accroît les taux d’erreur, même lorsque la structure géométrique du contour est parfaitement nette et les géons clairement visibles.

De plus, les indices d’ombrage continu (shape-from-shading) fournissent au cortex des informations cruciales sur la convexité et la profondeur sans qu’il soit nécessaire d’extraire des contours linéaires d’arêtes. L’exclusion de ces signaux photométriques dans l’algorithmique de la RBC a conduit le modèle à négliger un pan colossal des données perceptives traitées quotidiennement par le système nerveux.

10.2 La complexité computationnelle de l’extraction des géons réels

Sur le plan de l’implémentation algorithmique en vision par ordinateur et en intelligence artificielle, la théorie RBC s’est heurtée à ce que les ingénieurs nomment le « gouffre sémantique » (semantic gap) ou le mur de l’extraction précoce des contours réels. S’il est aisé et élégant d’exécuter la décomposition en géons à partir de dessins au trait synthétiques d’une pureté idéale sur fond blanc, la transposition de ce modèle à des flux photographiques naturels du monde réel s’est avérée d’une difficulté titanesque.

Dans une photographie numérique d’une scène encombrée, les algorithmes de détection de contours (comme les filtres de Canny ou de Sobel) sont submergés par un nombre écrasant de fausses arêtes engendrées par les ombres portées, les variations de texture de surface, le contre-jour et les reflets spéculaires. Simultanément, des contours physiques fondamentaux disparaissent par manque de contraste de luminance local (phénomène de camouflage naturel). Dans ces conditions réelles :

• Les jonctions critiques en T, Y ou flèche sont presque systématiquement fragmentées, bruitées ou faussement générées par des alignements accidentels de textures ;
• La recherche des minima de courbure négative devient totalement instable, menant à des segmentations erratiques et chaotiques ;
• L’appariement avec les 36 géons échoue dans une proportion colossale des cas en raison de l’impossibilité d’établir une ligne d’arête continue.

Cet échec pratique a conduit les concepteurs de vision artificielle à abandonner temporairement l’approche purement géonique descendante au profit de méthodes statistiques denses et d’architectures d’apprentissage automatique profond capables de traiter directement les pixels bruts sans passer par l’abstraction intermédiaire de contours symboliques idéalisés.

10.3 Débats sur la flexibilité des représentations internes

Une dernière critique majeure adressée par les sciences cognitives contemporaines concerne la rigidité représentationnelle inhérente à l’alphabet discret des trente-six géons. Les structures organiques naturelles, issues de millions d’années d’évolution phylogénétique, exhibent une plasticité morphologique et une flexibilité continue qui défient les classifications qualitatives binaires de Biederman.

Comment classifier de manière univoque les contours d’une feuille de vigne, les ramifications serpentiformes d’une pieuvre, les circonvolutions d’un tronc de bonsaï ou les postures ondulatoires d’un gymnaste ? La tentative de forcer ces formes au sein d’une boîte discrète de 36 solides primaires impose une quantification artificielle qui appauvrit tragiquement l’information morphologique perçue. Nombre de théoriciens contemporains soulignent la nécessité de recourir à des représentations continues paramétriques — telles que les surfaces de Bézier, les B-splines tridimensionnelles ou les champs de distance signés (SDF) —, capables de capturer des continuités géométriques infinitésimales sans obliger le cortex à enfermer la réalité dans un carcan catégoriel prématuré.

De surcroît, le modèle de Biederman est fondamentalement une architecture sérielle ascendante (bottom-up ou flux piloté par les données sensorielles). Il intègre difficilement les puissants mécanismes de rétroaction descendante (top-down feedback), où les attentes contextuelles de haut niveau, le savoir sémantique contextuel et les tâches motrices de l’observateur pré-activent et modulent dynamiquement le seuil de détection des géons avant même que l’analyse des contours ne soit computationnellement achevée.

11. Applications pratiques : Intelligence artificielle, vision par ordinateur et ergonomie

11.1 Modélisation 3D et vision par ordinateur pré-apprentissage profond

Malgré les écueils computationnels rencontrés dans le traitement d’images naturelles non contraintes, la théorie de la reconnaissance par les composantes a exercé une influence matricielle et féconde dans l’histoire de la vision par ordinateur, de la modélisation géométrique tridimensionnelle et de la robotique manufacturière entre 1985 et les années 2000.

L’analogie structurelle de la RBC s’est directement matérialisée dans les systèmes de conception assistée par ordinateur (CAO) et dans le paradigme fondamental de la géométrie constructive de solides (Constructive Solid Geometry ou CSG). En CSG, tout objet mécanique complexe — d’un vilebrequin de moteur à une carlingue d’aéronef — est modélisé comme une combinaison arborescente d’opérations booléennes (union, intersection, différence) appliquées à un ensemble restreint de primitives géométriques volumétriques de base (cylindres, parallélépipèdes, sphères, tores), répliquant rigoureusement l’alphabet géonique de Biederman.

Dans le domaine de la robotique industrielle autonome opérant dans des environnements contrôlés, les algorithmes de décomposition volumétrique fondés sur les squelettes axiaux (medial axis transform ou squelettisation topologique de Blum) ont permis aux bras manipulateurs d’inférer la structure volumétrique des pièces manufacturées à saisir. En repérant les axes de symétrie et les points de jonction de concavité des composants sur des convoyeurs industriels, les robots ont pu calculer instantanément les prises préhensiles optimales adaptées à la géométrie de chaque partie, démontrant la puissance pratique de l’abstraction par composantes.

11.2 Confrontation avec les réseaux de neurones convolutifs (CNN)

L’avènement fulgurant des réseaux de neurones convolutifs profonds (CNN) et des architectures de vision par transformeurs (Vision Transformers ou ViT) au cours de la décennie 2010 a relancé un débat épistémologique passionnant confrontant l’approche connexionniste statistique à la théorie RBC de Biederman.

Les réseaux neuronaux convolutifs actuels atteignent des taux de précision spectaculaires sur des banques d’images massives comme ImageNet. Cependant, les travaux expérimentaux pionniers de Robert Geirhos et ses collaborateurs en 2018 ont révélé une faille fondamentale de ces architectures d’apprentissage profond : là où le système visuel humain possède un biais de forme (shape bias) puissant — classifiant les objets sur la base de leur géométrie géonique invariante —, les CNN conventionnels souffrent d’un biais massif et délétère envers les textures superficielles locales (texture bias).

Si l’on génère par transfert de style une image présentant la silhouette tridimensionnelle parfaite d’un éléphant recouverte de la texture cutanée écailleuse d’une peau de léopard, un être humain nomme sans hésiter un « éléphant » (suivant les principes de la RBC), tandis que les CNN de pointe classifient systématiquement l’image comme un « léopard » avec un degré de confiance maximal. Cette dépendance hyper-vulnérable aux textures explique la fragilité notoire des réseaux de neurones face aux attaques adverses (adversarial attacks) et aux modifications de point de vue.

Pour pallier ces défaillances critiques, des équipes de recherche contemporaines en intelligence artificielle tentent d’hybrider les réseaux neuronaux avec des mécanismes d’induction structurelle inspirés de la RBC. L’objectif est d’obliger les couches intermédiaires des réseaux profonds à extraire explicitement des graphes relationnels de géons 3D et des invariants projectifs, restaurant ainsi dans l’intelligence artificielle la robustesse, la transparence et la généralisation phénoménale propres à l’esprit humain.

11.3 Ergonomie visuelle, signalétique et design d’interfaces

Les retombées pratiques de la théorie d’Irving Biederman s’étendent de manière spectaculaire à l’ergonomie cognitive, à la sémiotique visuelle et à la conception des interfaces graphiques homme-machine (IHM). Les principes régissant les propriétés non accidentelles et la préservation des jonctions fournissent un cadre normatif scientifique d’une puissance inégalée pour concevoir des systèmes de signalisation et des icônes à lisibilité maximale.

Dans la création d’icônes pour logiciels et applications mobiles, les designers appliquent, consciemment ou intuitivement, les axiomes de la RBC :

• Élimination scrupuleuse des détails graphiques photométriques non signifiants (ombrages superflus, textures parasites) au profit d’un tracé vectoriel épuré centré sur les contours structuraux ;
• Accentuation maximale de la visibilité des jonctions d’arêtes en Y, en T et en L, interdisant toute occultation qui masquerait les concavités de démarcation entre les sous-parties de l’icône ;
• Préservation scrupuleuse des propriétés non accidentelles fondamentales (parallélisme franc, collinéarité claire, symétries axiales rigoureuses) pour prévenir toute ambiguïté perceptive lors d’un affichage sur des écrans de dimensions miniatures.

Dans les environnements critiques tels que l’aéronautique militaire et civile, la conception des collimateurs tête haute (Head-Up Displays ou HUD) exploite directement ces règles projectives. Les symboles de vol, les indicateurs d’horizon et les représentations synthétiques de terrain projetés sur la verrière sont formatés sous forme de primitives géoniques simplifiées. Même en présence de turbulences extrêmes, de brume atmosphérique dense ou de vibrations cinétiques intenses entraînant la perte d’une vaste fraction du signal visuel, le pilote militaire continue d’extraire instantanément et sans fatigue cognitive l’assiette et le cap de l’appareil grâce à la résilience projective des sommets géométriques préservés.

12. Perspectives futures et intégration dans les modèles cognitifs hybrides

12.1 Synthèse entre codage par vues et codage par parties

L’avenir des neurosciences computationnelles de la vision s’oriente résolument vers des architectures théoriques unifiées et intégratives, dépassant les querelles historiques d’école entre tenants exclusifs des représentations centrées sur l’objet et partisans des approches dépendantes du point de vue. Le consensus émergent modélise la voie ventrale comme un continuum computationnel hautement adaptatif et réentrant.

Au sein de ces architectures hybrides de nouvelle génération, les signaux visuels subissent un double codage entrelacé au cours de leur ascension à travers le cortex :

• Un traitement de bas et moyen niveau reposant sur des populations denses de filtres gaussiens et de neurones accordés à des vues préférentielles spécifiques (similaires aux unités computationnelles du modèle HMAX développé par Tomaso Poggio et Maximilian Riesenhuber) ;
• Une transition progressive et dynamique, à mesure que l’information pénètre dans le cortex inféro-temporal antérieur et le complexe occipital latéral, où les sorties de ces champs récepteurs denses sont agrégées pour dériver des descriptions de parties autonomes et des prédicats relationnels invariants calqués sur les géons de Biederman.

De surcroît, les recherches contemporaines sur la plasticité développementale suggèrent que l’alphabet des géons n’est pas un système rigide immuable, gravé dans le marbre génétique, mais une grammaire neuronale auto-organisée façonnée par l’exposition écologique au cours de l’ontogenèse. L’apprentissage statistique précoce des régularités volumétriques du monde physique affinerait le répertoire des géons pour optimiser la sparsité du codage neuronal, scellant une synthèse éclatante entre innéisme structural et plasticité synaptique empirique.

12.2 Neuromorphisme et intelligence artificielle générale

À l’aube d’une transition technologique vers l’informatique neuromorphique et la quête d’une Intelligence Artificielle Générale (AGI) douée de sens commun physique, les principes formulés par Irving Biederman connaissent une éclatante renaissance épistémologique. L’intelligence humaine ne se borne pas à corréler des milliards de paramètres de surface au sein d’immenses boîtes noires statistiques : elle raisonne sur des entités physiques discrètes dotées de permanence causale et géométrique.

L’intégration de modules d’inférence géonique au sein de puces neuromorphiques à événements (event-based cameras et processeurs asynchrones de type neuromorphique) permet d’envisager des robots autonomes capables d’interagir avec le monde physique avec une efficience énergétique proche du cerveau biologique (quelques watts de consommation). En décomposant les flux sensoriels asynchrones en primitives géoniques symboliques, un bras robotique peut instantanément déduire :

• La manipulabilité d’un outil inédit (par exemple, identifier une partie cylindrique mince comme une poignée potentielle via une relation d’attachement spatiale canonique) ;
• L’affordance physique d’un obstacle ou d’un réceptacle dans un environnement sinistré ou extraterrestre ;
• Le comportement cinématique prédictible d’un solide en décomposition sous l’effet de la gravité.

Ce mariage entre le symbolisme compositionnel inspiré de la théorie RBC et la puissance d’apprentissage des réseaux neuronaux profonds esquisse les contours d’une nouvelle ère : celle d’une vision artificielle causale, compositionnelle et explicable, délivrée de la malédiction de la vulnérabilité aux textures et enfin capable d’abstraire le monde avec l’intelligence géométrique d’un être pensant.

12.3 Conclusion : L’héritage intellectuel d’Irving Biederman

Près de quatre décennies après sa formulation princeps dans les pages de la Psychological Review en 1987, la théorie de la reconnaissance par les composantes d’Irving Biederman demeure l’un des monuments les plus imposants et les plus féconds de la psychologie cognitive et des sciences de l’esprit. En osant affirmer que le mystère indicible de la vision des formes pouvait être déchiffré à travers une grammaire finie de solides primaires régis par les lois immortelles de la géométrie projective, Biederman a conféré à la perception spatiale un statut comparable à celui de la phonologie en linguistique structurale.

Si la théorie a dû composer avec l’épreuve des faits empiriques — concédant la souveraineté du codage par vues pour les visages et les exemplaires subordonnés, et intégrant l’indispensable rôle des signaux photométriques et de texture —, son noyau dur théorique demeure inébranlé. Le concept de géon, l’impératif des propriétés non accidentelles et la centralité des concavités de transversalité constituent désormais des acquis canoniques inscrits au fronton des manuels universitaires mondiaux de neuropsychologie et de sciences cognitives.

L’héritage intellectuel d’Irving Biederman nous rappelle avec une souveraine acuité que voir n’est pas simplement enregistrer une mosaïque de photons passifs, mais reconstruire sans cesse, avec la fougue et la précision d’un géomètre invisible, l’architecture intelligible et ordonnée de l’univers physique.

Références

Biederman, I. (1987). Recognition-by-components: A theory of human image understanding. Psychological Review, 94(2), 115–147. https://doi.org/10.1037/0033-295X.94.2.115

Biederman, I., & Cooper, E. E. (1991). Priming contour-deleted images: Evidence for intermediate representations in visual object recognition. Cognitive Psychology, 23(3), 393–419. https://doi.org/10.1016/0010-0285(91)90014-L

Binford, T. O. (1971). Visual perception by computer. IEEE Conference on Systems and Control, Miami, FL.

Bülthoff, H. H., & Edelman, S. (1992). Psychophysical support for a two-dimensional view interpolation theory of object recognition. Proceedings of the National Academy of Sciences, 89(1), 60–64. https://doi.org/10.1073/pnas.89.1.60

Geirhos, R., Rubisch, P., Michaelis, C., Bethge, M., Wichmann, F. A., & Brendel, W. (2018). ImageNet-trained CNNs are biased towards texture; increasing shape bias improves accuracy and robustness. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/1811.12231

Grill-Spector, K., Kourtzi, Z., & Kanwisher, N. (2001). The lateral occipital complex and its role in object recognition. Vision Research, 41(10–11), 1409–1422. https://doi.org/10.1016/S0042-6989(01)00073-6

Hayworth, K. J., & Biederman, I. (2006). Neural evidence for intermediate representations in object recognition. The Journal of Neuroscience, 26(15), 4002–4011. https://doi.org/10.1523/JNEUROSCI.5204-05.2006

Hoffman, D. D., & Richards, W. A. (1984). Parts of recognition. Cognition, 18(1–3), 65–96. https://doi.org/10.1016/0010-0277(84)90022-2

Lowe, D. G. (1985). Perceptual organization and visual recognition. Kluwer Academic Publishers. https://doi.org/10.1007/978-1-4613-2551-2

Marr, D. (1982). Vision: A computational investigation into the human representation and processing of visual information. W. H. Freeman and Company.

Marr, D., & Nishihara, H. K. (1978). Representation and recognition of the spatial organization of three-dimensional shapes. Proceedings of the Royal Society of London. Series B. Biological Sciences, 200(1140), 269–294. https://doi.org/10.1098/rspb.1978.0020

Riesenhuber, M., & Poggio, T. (1999). Hierarchical models of object recognition in cortex. Nature Neuroscience, 2(11), 1019–1025. https://doi.org/10.1038/14819

Rosch, E., Mervis, C. B., Gray, W. D., Johnson, D. M., & Boyes-Braem, P. (1976). Basic objects in natural categories. Cognitive Psychology, 8(3), 382–439. https://doi.org/10.1016/0010-0285(76)90013-X

Tanaka, K. (1996). Inferotemporal cortex and object vision. Annual Review of Neuroscience, 19(1), 109–139. https://doi.org/10.1146/annurev.ne.19.030196.000545

Tarr, M. J., & Bülthoff, H. H. (1995). Is human object recognition better described by geon structural descriptions or by multiple views? Comment on Biederman and Gerhardstein (1993). Journal of Experimental Psychology: Human Perception and Performance, 21(6), 1494–1505. https://doi.org/10.1037/0096-1523.21.6.1494

Ullman, S. (1996). High-level vision: Object recognition and visual cognition. The MIT Press.

Ungerleider, L. G., & Mishkin, M. (1982). Two cortical visual systems. In D. J. Ingle, M. A. Goodale, & R. J. W. Mansfield (Eds.), Analysis of Visual Behavior (pp. 549–586). The MIT Press.