Le rythme de production de données ne cesse de croître, conduisant à l'augmentation de besoins de stockage et de transmission efficaces. En effet, la consommation de ces informations est préférentiellement faite sur des terminaux mobiles utilisant des connections facturées à l'utilisateur et ne disposant que de capacités de stockage réduites. Les réseaux de neurones avec deep learning ont récemment dépassé les taux de compression de techniques algorithmiques pour du texte. Nous pensons qu'ils peuvent aussi challenger significativement les méthodes classiques pour des données tant sonores que visuelles (images et vidéos).

Pour obtenir la compression physiologique la plus pointue, c'est-à-dire celle obtenant le meilleur taux de compression car s'approchant au mieux de la spécificité de la perception humaine, nous proposons d'utiliser une représentation neutrosophique de l'information pour tout le cycle de compression-décompression. Une telle représentation consiste pour chaque information élémentaire à lui adjoindre un nombre neutrosophique simple qui informe le réseau de neurones sur ses caractéristiques relativement à la compression au cours de ce traitement. Un tel nombre neutrosophique est en fait un triplet (t,i,f) représentant ici son appartenance aux trois composantes constitutives d'une information en compression ; 1° t = la partie signifiante à préserver, 2° i = la partie redondante ou le bruit à éliminer dans la compression et 3° f = les artefacts en cours de production dans le processus de compression (à compenser). La complexité de la perception humaine et les niches subtiles de ses défauts que l'on cherche à exploiter nécessite une cartographie détaillée et complexe qu'un réseau de neurones peut produire mieux que toute autre solution algorithmique, et les réseaux avec deep learning ont prouvé leur capacité à produire une surface frontière détaillée dans les classificateurs.