Réseaux neuronaux convolutifs (CNN)

Les réseaux neuronaux convolutifs (CNN) sont un type spécialisé de réseau neuronal conçu pour traiter les données d’image. Ils sont largement utilisés pour des tâches telles que la classification d’images, la détection d’objets et la reconnaissance faciale.

Pourquoi les CNN sont efficaces pour les images

Les CNN sont efficaces parce qu’ils :

• Préservent les relations spatiales : ils traitent les images comme des grilles de pixels.
• Réduisent le coût de calcul : ils utilisent des poids partagés pour les régions locales (noyaux).
• Extraient des caractéristiques hiérarchiques : ils détectent les contours, les formes et les motifs complexes à différentes couches.

Couches de convolution

Les couches de convolution constituent le cœur des CNN. Elles appliquent des filtres (noyaux) à l’image d’entrée afin d’en extraire les caractéristiques.

Exemple :

• Entrée : une image de 5×5.
• Noyau : un filtre de 3×3.
• Sortie : une carte de caractéristiques mettant en évidence les motifs.

Exemple : appliquer une convolution

Nous pouvons utiliser Python et NumPy pour simuler une opération de convolution simple :

import numpy as np

# Example 5x5 image
image = np.array([
    [1, 2, 3, 0, 1],
    [0, 1, 2, 3, 4],
    [1, 2, 3, 0, 1],
    [0, 1, 2, 3, 4],
    [1, 0, 1, 2, 3]
])

# Example 3x3 kernel
kernel = np.array([
    [1, 0, -1],
    [1, 0, -1],
    [1, 0, -1]
])

# Perform convolution (without padding or strides)
from scipy.signal import convolve2d
output = convolve2d(image, kernel, mode='valid')
print("Feature Map:", output)

Couches de mise en commun

Les couches de mise en commun réduisent la taille des cartes de caractéristiques tout en conservant les informations importantes. Les types courants comprennent :

• Mise en commun par maximum : Conserve la valeur maximale d'une région.
• Mise en commun par moyenne : Calcule la valeur moyenne d'une région.

Couches entièrement connectées

Les couches entièrement connectées relient tous les neurones d’une couche à la suivante. Elles combinent les caractéristiques extraites pour effectuer des prédictions dans des tâches telles que la classification d’images.

Architecture typique d'un CNN

Un CNN typique se compose des éléments suivants :

1. Couches convolutives : Extraient les caractéristiques des données d'entrée.
2. Couches de mise en commun : Réduisent les dimensions des cartes de caractéristiques.
3. Couches entièrement connectées : Effectuent la classification ou la régression finale.

Avantages des CNN

Les CNN sont particulièrement efficaces pour le traitement d'image grâce aux éléments suivants :

• Une extraction efficace des caractéristiques grâce aux couches convolutives.
• Un surapprentissage réduit grâce au partage des paramètres.
• La capacité à traiter des données d'image complexes avec plusieurs couches.

Résumé et prochaines étapes

Dans cette leçon, nous avons :

• Exploré la structure et le fonctionnement des réseaux neuronaux convolutifs.
• Découvert les couches de convolution, de regroupement et entièrement connectées.
• Examiné les avantages des CNN pour le traitement d’images.

Nous allons maintenant créer un projet simple de classification d’images avec des CNN afin de mettre en pratique ce que nous avons appris.