Réseaux neuronaux convolutifs (CNN)

• Les réseaux neuronaux convolutionnels (CNN) et leurs applications dans la reconnaissance d'images, la détection d'objets et la génération d'images sont abordés, en mettant en évidence leurs composants architecturaux et leur processus de formation.
• Les CNN ont été inspirés par l'organisation du cortex visuel dans le cerveau animal.

Concepts fondamentaux des CNN

• Les CNN sont conçus pour apprendre automatiquement et de manière adaptative les hiérarchies spatiales des caractéristiques des images d'entrée.
• Les opérations clés comprennent la convolution, le pooling et les fonctions d'activation.
• Les données passent par des couches convolutionnelles, des couches de pooling et des couches entièrement connectées.
• Les couches convolutionnelles agissent comme des extracteurs de caractéristiques.
• Les couches entièrement connectées agissent comme des classificateurs.

Couches convolutionnelles

• Les couches convolutionnelles utilisent des filtres pour extraire les caractéristiques des images d'entrée.
• Les filtres glissent sur l'image d'entrée, effectuant une multiplication élément par élément et sommant les résultats pour produire une carte de caractéristiques.
• Chaque filtre détecte des motifs ou des caractéristiques spécifiques tels que les bords, les coins ou les textures.
• La formule de convolution implique la somme des produits élément par élément du filtre et du patch d'image d'entrée.
• Plusieurs filtres sont appliqués à chaque entrée, créant ainsi plusieurs cartes de caractéristiques qui capturent différents aspects de l'entrée.
• Le padding est souvent utilisé pour contrôler la taille des cartes de caractéristiques de sortie, généralement le zero-padding.
• Le nombre de paramètres dans une couche convolutionnelle dépend de la taille du filtre, du nombre de filtres et du nombre de canaux d'entrée.

Couches de pooling

• Les couches de pooling réduisent les dimensions spatiales des cartes de caractéristiques.
• Les couches de pooling réduisent la complexité computationnelle.
• Le max pooling est un type courant, sélectionnant la valeur maximale de chaque région locale.
• L'average pooling calcule la valeur moyenne de chaque région locale.
• Les couches de pooling rendent le réseau plus robuste aux variations de position et d'orientation de l'objet.

Fonctions d'activation

• Les fonctions d'activation introduisent une non-linéarité dans le réseau, lui permettant d'apprendre des motifs complexes.
• Les fonctions d'activation courantes incluent ReLU (Rectified Linear Unit), sigmoid et tanh.
• ReLU est largement utilisé en raison de sa simplicité et de son efficacité dans la formation.
• Les fonctions d'activation sont appliquées élément par élément à la sortie des couches convolutionnelles ou entièrement connectées.

Couches entièrement connectées

• Après plusieurs couches convolutionnelles et de pooling, le raisonnement de haut niveau est effectué à l'aide de couches entièrement connectées.
• Chaque neurone d'une couche entièrement connectée est connecté à chaque neurone de la couche précédente.
• Les couches entièrement connectées effectuent une classification ou une régression basée sur les caractéristiques apprises.
• Le dropout est souvent utilisé dans les couches entièrement connectées pour éviter le sur-ajustement.

Formation des CNN

• Les CNN sont formés à l'aide de la rétropropagation et de la descente de gradient.
• La formation implique l'alimentation du réseau avec des données de formation étiquetées.
• Le réseau ajuste ses poids et ses biais pour minimiser la différence entre les étiquettes prédites et réelles.
• Des optimiseurs tels que Adam ou SGD sont utilisés pour mettre à jour les paramètres du réseau.
• Des techniques telles que l'augmentation des données et la normalisation par lots sont utilisées pour améliorer la généralisation et la vitesse de formation.

Architectures CNN courantes

• LeNet-5 : L'une des premières architectures CNN, conçue pour la reconnaissance de chiffres.
  • LeNet-5 se compose de couches convolutionnelles, de couches de pooling et de couches entièrement connectées.
• AlexNet : A démontré la puissance des CNN pour la reconnaissance d'images.
  • AlexNet est plus profond que LeNet-5 et utilise des fonctions d'activation ReLU.
• VGGNet : Explore l'impact de la profondeur du réseau.
  • VGGNet utilise de petits filtres convolutionnels et plusieurs couches.
• GoogleNet (Inception) : Introduit le concept de modules d'inception pour capturer les caractéristiques à différentes échelles.
  • GoogleNet réduit considérablement le nombre de paramètres par rapport aux architectures précédentes.
• ResNet : Utilise des connexions résiduelles pour résoudre le problème de disparition du gradient et permettre la formation de réseaux très profonds.
  • ResNet permet aux gradients de circuler plus facilement à travers le réseau.

Applications des CNN

• Les CNN sont largement utilisés dans les tâches de reconnaissance d'images.
• Les CNN atteignent des performances de pointe sur des ensembles de données de référence comme ImageNet.
• Détection d'objets : Les CNN peuvent être utilisés pour détecter et localiser plusieurs objets dans une image.
  • Les frameworks de détection d'objets populaires incluent YOLO et SSD.
• Segmentation d'images : Les CNN peuvent être utilisés pour classifier chaque pixel d'une image.
• Les tâches de génération d'images incluent la génération de nouvelles images à partir de bruit aléatoire ou la transformation d'images existantes.

Avantages des CNN

• Les CNN apprennent automatiquement les caractéristiques pertinentes des données, réduisant ainsi le besoin d'ingénierie manuelle des caractéristiques.
• Les CNN sont hautement parallélisables, ce qui les rend adaptés à la formation sur les GPU.
• Les CNN peuvent apprendre des représentations hiérarchiques des données, capturant des motifs et des relations complexes.

Inconvénients des CNN

• Les CNN peuvent être coûteux en calcul à former, en particulier pour les architectures très profondes.
• Les CNN nécessitent de grandes quantités de données de formation étiquetées pour atteindre de bonnes performances.
• Les CNN peuvent être sensibles aux variations de pose, d'échelle et de conditions d'éclairage des objets.

Explorez les réseaux neuronaux convolutifs (CNN) et leurs applications dans la reconnaissance d'images, la détection d'objets et la génération d'images. Découvrez les composants architecturaux et le processus de formation des CNN. Les CNN s'inspirent de l'organisation du cortex visuel.