Les r\u00e9seaux de neurones convolutifs (CNN) sont une classe d'algorithmes d'apprentissage profond qui ont r\u00e9volutionn\u00e9 le domaine de la vision par ordinateur et du traitement d'images. Il s'agit d'un type sp\u00e9cialis\u00e9 de r\u00e9seau neuronal artificiel con\u00e7u pour traiter et reconna\u00eetre les donn\u00e9es visuelles, ce qui les rend exceptionnellement efficaces dans des t\u00e2ches telles que la classification d'images, la d\u00e9tection d'objets et la g\u00e9n\u00e9ration d'images. L'id\u00e9e principale des CNN est d'imiter le traitement visuel du cerveau humain, leur permettant d'apprendre et d'extraire automatiquement des mod\u00e8les et des caract\u00e9ristiques hi\u00e9rarchiques \u00e0 partir d'images.<\/p>\n
L\u2019histoire des CNN remonte aux ann\u00e9es 1960, avec le d\u00e9veloppement du premier r\u00e9seau neuronal artificiel, connu sous le nom de perceptron. Cependant, le concept de r\u00e9seaux convolutifs, qui constituent la base des CNN, a \u00e9t\u00e9 introduit dans les ann\u00e9es 1980. En 1989, Yann LeCun, avec d\u2019autres, a propos\u00e9 l\u2019architecture LeNet-5, qui fut l\u2019une des premi\u00e8res impl\u00e9mentations r\u00e9ussies de CNN. Ce r\u00e9seau \u00e9tait principalement utilis\u00e9 pour la reconnaissance de chiffres manuscrits et a jet\u00e9 les bases des futurs progr\u00e8s dans le traitement des images.<\/p>\n
Les CNN s'inspirent du syst\u00e8me visuel humain, notamment de l'organisation du cortex visuel. Ils se composent de plusieurs couches, chacune con\u00e7ue pour effectuer des op\u00e9rations sp\u00e9cifiques sur les donn\u00e9es d'entr\u00e9e. Les couches cl\u00e9s d'une architecture CNN typique sont\u00a0:<\/p>\n
Couche d'entr\u00e9e\u00a0:<\/strong> Cette couche re\u00e7oit les donn\u00e9es d'image brutes en entr\u00e9e.<\/p>\n<\/li>\n Couche convolutive\u00a0:<\/strong> La couche convolutive est le c\u0153ur d'un CNN. Il se compose de plusieurs filtres (\u00e9galement appel\u00e9s noyaux) qui glissent sur l'image d'entr\u00e9e, extrayant les caract\u00e9ristiques locales par convolutions. Chaque filtre est charg\u00e9 de d\u00e9tecter des motifs sp\u00e9cifiques, comme les bords ou les textures.<\/p>\n<\/li>\n Fonction d'activation\u00a0:<\/strong> Apr\u00e8s l'op\u00e9ration de convolution, une fonction d'activation (g\u00e9n\u00e9ralement ReLU \u2013 Rectified Linear Unit) est appliqu\u00e9e \u00e9l\u00e9ment par \u00e9l\u00e9ment pour introduire une non-lin\u00e9arit\u00e9 dans le r\u00e9seau, lui permettant d'apprendre des mod\u00e8les plus complexes.<\/p>\n<\/li>\n Couche de pooling\u00a0:<\/strong> Des couches de pooling (g\u00e9n\u00e9ralement max-pooling) sont utilis\u00e9es pour r\u00e9duire les dimensions spatiales des donn\u00e9es et diminuer la complexit\u00e9 de calcul tout en conservant les informations essentielles.<\/p>\n<\/li>\n Couche enti\u00e8rement connect\u00e9e\u00a0:<\/strong> Ces couches connectent tous les neurones de la couche pr\u00e9c\u00e9dente \u00e0 chaque neurone de la couche actuelle. Ils regroupent les fonctionnalit\u00e9s apprises et prennent la d\u00e9cision finale en mati\u00e8re de classification ou d'autres t\u00e2ches.<\/p>\n<\/li>\n Couche de sortie\u00a0:<\/strong> La couche finale produit la sortie du r\u00e9seau, qui peut \u00eatre une \u00e9tiquette de classe pour la classification des images ou un ensemble de param\u00e8tres pour la g\u00e9n\u00e9ration d'images.<\/p>\n<\/li>\n<\/ol>\n La structure interne des CNN suit un m\u00e9canisme de r\u00e9troaction. Lorsqu'une image est introduite dans le r\u00e9seau, elle traverse chaque couche s\u00e9quentiellement, les poids et les biais \u00e9tant ajust\u00e9s pendant le processus de formation par r\u00e9tropropagation. Cette optimisation it\u00e9rative aide le r\u00e9seau \u00e0 apprendre \u00e0 reconna\u00eetre et \u00e0 diff\u00e9rencier les diff\u00e9rentes caract\u00e9ristiques et objets des images.<\/p>\n Les CNN poss\u00e8dent plusieurs fonctionnalit\u00e9s cl\u00e9s qui les rendent tr\u00e8s efficaces pour l'analyse visuelle des donn\u00e9es\u00a0:<\/p>\n Apprentissage des fonctionnalit\u00e9s\u00a0:<\/strong> Les CNN apprennent automatiquement les fonctionnalit\u00e9s hi\u00e9rarchiques \u00e0 partir des donn\u00e9es brutes, \u00e9liminant ainsi le besoin d'ing\u00e9nierie manuelle des fonctionnalit\u00e9s.<\/p>\n<\/li>\n Invariance de traduction\u00a0:<\/strong> Les couches convolutives permettent aux CNN de d\u00e9tecter des mod\u00e8les quelle que soit leur position dans l'image, offrant ainsi une invariance de traduction.<\/p>\n<\/li>\n Partage de param\u00e8tres\u00a0:<\/strong> Le partage des pond\u00e9rations entre emplacements spatiaux r\u00e9duit le nombre de param\u00e8tres, rendant les CNN plus efficaces et \u00e9volutifs.<\/p>\n<\/li>\n Pooling pour les hi\u00e9rarchies spatiales\u00a0:<\/strong> La mise en commun des couches r\u00e9duit progressivement les dimensions spatiales, permettant au r\u00e9seau de reconna\u00eetre des entit\u00e9s \u00e0 diff\u00e9rentes \u00e9chelles.<\/p>\n<\/li>\n Architectures profondes\u00a0:<\/strong> Les CNN peuvent \u00eatre profonds, avec plusieurs couches, leur permettant d'apprendre des repr\u00e9sentations complexes et abstraites.<\/p>\n<\/li>\n<\/ol>\n Les CNN se d\u00e9clinent en diff\u00e9rentes architectures, chacune adapt\u00e9e \u00e0 des t\u00e2ches sp\u00e9cifiques. Certaines architectures CNN populaires incluent\u00a0:<\/p>\n LeNet-5\u00a0:<\/strong> L'un des premiers CNN, con\u00e7u pour la reconnaissance de chiffres manuscrits.<\/p>\n<\/li>\n AlexNet\u00a0:<\/strong> Lanc\u00e9 en 2012, il s'agit du premier CNN approfondi \u00e0 remporter le ImageNet Large Scale Visual Recognition Challenge (ILSVRC).<\/p>\n<\/li>\n VGGNet\u00a0:<\/strong> Connu pour sa simplicit\u00e9 avec une architecture uniforme, utilisant des filtres convolutifs 3 \u00d7 3 sur tout le r\u00e9seau.<\/p>\n<\/li>\n ResNet\u00a0:<\/strong> Introduit des connexions saut\u00e9es (blocs r\u00e9siduels) pour r\u00e9soudre les probl\u00e8mes de gradient en voie de disparition dans les r\u00e9seaux tr\u00e8s profonds.<\/p>\n<\/li>\n Cr\u00e9ation (GoogleNet)\u00a0:<\/strong> Utilise des modules de cr\u00e9ation avec des convolutions parall\u00e8les de diff\u00e9rentes tailles pour capturer des fonctionnalit\u00e9s multi-\u00e9chelles.<\/p>\n<\/li>\n MobileNet\u00a0:<\/strong> Optimis\u00e9 pour les appareils mobiles et embarqu\u00e9s, trouvant un \u00e9quilibre entre pr\u00e9cision et efficacit\u00e9 informatique.<\/p>\n<\/li>\n<\/ol>\n Tableau\u00a0: Architectures CNN populaires et leurs applications<\/p>\nLa structure interne des r\u00e9seaux de neurones convolutifs (CNN)<\/h2>\n
Analyse des principales caract\u00e9ristiques des r\u00e9seaux de neurones convolutifs (CNN)<\/h2>\n
\n
Types de r\u00e9seaux de neurones convolutifs (CNN)<\/h2>\n
\n