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 comme 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 : Traitent les images comme des grilles de pixels.
• Réduisent le coût de calcul : Utilisent des poids partagés pour les régions locales (noyaux).
• Extraient des caractéristiques hiérarchiques : Détectent les contours, les formes et les motifs complexes à différentes couches.

Couches de convolution

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

Exemple :

• Entrée : Une image 5×5.
• Noyau : Un filtre 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 ceux de la suivante. Elles combinent les caractéristiques extraites pour effectuer des prédictions dans des tâches comme la classification d’images.

Architecture type d’un CNN

Un CNN type se compose des éléments suivants :

1. Couches de convolution : Extraient les caractéristiques de l’entrée.
2. Couches de mise en commun : Réduisent les dimensions de la carte de caractéristiques.
3. Couches entièrement connectées : Effectuent la classification ou la régression finale.

Avantages des CNN

Les CNN sont particulièrement efficaces pour le traitement des images grâce aux éléments suivants :

• Une extraction efficace des caractéristiques grâce aux couches convolutives.
• Une réduction du surapprentissage grâce au partage des paramètres.
• La capacité à traiter des données d’image complexes à l’aide de plusieurs couches.

Résumé et prochaines étapes

Dans cette leçon, nous avons :

• Exploré la structure et le fonctionnement des réseaux neuronaux convolutifs.
• Étudié la convolution, la mise en commun et les couches entièrement connectées.
• Examiné les avantages des CNN pour le traitement des images.

Ensuite, nous construirons un projet élémentaire de classification d’images à l’aide de CNN afin de mettre en pratique ce que nous avons appris.