Actualité Tutoriel Comprendre les réseaux de neurones convolutifs

Pour approfondir le sujet

Sur le même thème :

FastGCN : Une approche deep learning scalable pour les graphes massifs

Les modèles de réseaux de neurones convolutifs sous forme de graphe (GCN) se montrent particulièrement efficaces dans le cadre de l'apprentissage semi-supervisé. Les chercheurs Jie Chen, Tengfei...

Focus sur trois projets de recherches pour mieux comprendre le comportement animal

Les projets impliquant l'intelligence artificielle et les animaux semblent se développer progressivement. Que ce soit pour lutter contre l'extinction des éléphants d'Afrique, reconnaitre les...

MATLAB 2018b comprend une Deep learning Toolbox

Mathworks a dévoilé la nouvelle version de MATLAB. Cette version 2018b comprend une Deep Learning Toolbox. Elle est focalisée sur le développement d'applications d'intelligence...

Thibault Neveu, chercheur en IA, propose une série de vidéos d’initiation au Deep Learning

Thibault Neveu, chercheur en intelligence artificielle, a créé en septembre 2017 une chaîne de vidéos Youtube consacrée à l'initiation au Deep Learning. Partageant nos valeurs...

Comprendre les réseaux de neurones convolutifs

Thibault Neveu aborde les réseaux à convolution  (CNN), très utilisés dans les applications graphiques (traitement et reconnaissance d’images ou vidéos), mais également dans les systèmes de recommandation.

Les réseaux à convolution sont notamment très utilisés pour l’analyse d’images. Les deux  caractéristiques principales des réseaux convolutifs sont qu’ils utilisent des filtres (kernel) et mettent en oeuvre du pooling.

Les filtres analysent les images zones par zones. Chaque filtre se spécialise de façon à reconnaître des motifs (patterns). Un filtre peut par exemple se spécialiser dans la détection des contours, tandis qu’un autre reconnaîtra certaines formes. La convolution a pour effet d’augmenter la profondeur de la matrice correspondant à l’image, puisque chaque filtre lui ajoutera une couche. Une image qui a une profondeur de 3 couches (le nombre 3 correspondant aux 3 canaux RGB) pourra ainsi résulter en une matrice d’une profondeur de 5, si le réseau convolutif est constitué de 5 filtres.

Le pooling permet quant à lui de réduire la taille d’une image en n’en conservant que les pixels les plus importants. Cela a pour effet de déformer l’image en perdant le positionnement précis des pixels. Cet effet est en fait bénéfique, puisqu’il permet de limiter les risques de surapprentissage. A titre d’exemple, un système de détection des visages aura tout intérêt à apprendre qu’un visage est constitué de deux yeux, d’un nez et d’une bouche, mais il est préférable qu’il n’apprenne pas par coeur l’espacement au pixel près entre ces différents éléments du visage, puisque leur position peut varier d’une personne à l’autre. Il existe d’autres techniques que le pooling, notamment amenées par les capsule Networks, nouvelle technique qui ne sera pas abordée dans le cadre de ce tutoriel sur les réseaux convolutifs.

Accéder à la vidéo suivante tutoriel : implémenter un réseau de neurones convolutif.

Contributeur expert

Thibault Neveu

Thibault Neveu est un entrepreneur, ingénieur de recherche spécialisé dans l’apprentissa

Partager l'article

ETH Zürich : le changement climatique influence la rotation de la terre

Le changement climatique modifie la rotation de la Terre et la durée du jour. Des chercheurs de l'ETH Zürich ont démontré que la fonte...

Gestion d’actifs et IA : une adoption en hausse malgré les défis, selon Linedata

L'adoption de l'IA dans la gestion d'actifs connaît une accélération sans précédent. Une étude récente de Linedata, réalisée en collaboration avec Global Fund Media,...

Sony Research Award Program : comment Sony catalyse l’innovation et la recherche académique

Sony Group Corporation a lancé lundi dernier un appel à candidatures pour son programme annuel de financement de la recherche, le Sony Research Award...

Globaldata : l’IA et la robotique débloquent une efficacité durable dans le secteur pétrolier et gazier

Le secteur pétrolier et gazier, traditionnellement perçu comme une industrie lourde et complexe, est actuellement en pleine transformation grâce aux progrès de l'IA et...