SlideShare une entreprise Scribd logo

Convolutional Neural Networks (CNNs)

Join us for an enlightening presentation that delves into the fascinating world of Convolutional Neural Networks (CNNs). CNNs have emerged as a groundbreaking technology in the field of deep learning, revolutionizing various applications ranging from image recognition and natural language processing to autonomous vehicles and medical diagnosis. Our presentation will provide a comprehensive overview of CNNs, exploring their architecture, capabilities, and real-world applications. We will begin by unraveling the fundamental concepts underlying CNNs, such as convolution, pooling, and non-linear activation functions. Through intuitive explanations and visual aids, we will demystify the inner workings of CNNs, making the topic accessible to both technical and non-technical audiences. As we delve deeper, we will showcase how CNNs excel in image recognition tasks, leveraging their ability to automatically learn and extract meaningful features from visual data. We will discuss the hierarchical nature of CNN architectures, which enables them to capture both low-level features like edges and textures, as well as high-level semantic representations. Through engaging examples and case studies, we will illustrate how CNNs have achieved state-of-the-art performance in image classification, object detection, and image segmentation tasks. Beyond image processing, our presentation will explore the versatility of CNNs in various domains. We will explore their applications in natural language processing, where they have proven effective in tasks like sentiment analysis, text classification, and machine translation. Additionally, we will delve into their usage in autonomous vehicles, where CNNs enable object detection, lane recognition, and even real-time decision-making. Furthermore, we will highlight the impact of CNNs in the medical field, where they have revolutionized medical imaging analysis, aiding in the early detection of diseases such as cancer and Alzheimer's. Through remarkable case studies, we will demonstrate how CNNs have enhanced the accuracy and efficiency of medical diagnoses, potentially saving countless lives. Lastly, we will discuss the latest advancements and ongoing research in the realm of CNNs, including emerging architectures, transfer learning, and explainability. We will also touch upon the ethical considerations and challenges associated with the widespread adoption of CNNs, ensuring a holistic understanding of this powerful technology. Whether you are a student, researcher, industry professional, or simply curious about the cutting-edge developments in artificial intelligence, this presentation on CNNs promises to enlighten and inspire. Prepare to witness the incredible capabilities of CNNs and discover how they are reshaping the world around us.

1  sur  31
Télécharger pour lire hors ligne
Les réseaux de neurones
Convolutifs - CNN-
Présentée par: Bouchriha Hajar
Rachidi Salma
Plan :
01 Motivation Cnn : Padding
04
02
Cnn : Couche Convolutive
03
Cnn : Couche
fully-connected
05
Architecture d’un
CNN
06
Qu'est ce qu'un
réseau de neurones
convolutive ?
Data Science
Artificial
intelligence
Machine
learning
Deep
learning
Convolutional Neural Networks (CNNs)
Qu'est ce qu'un réseau de neurones convolutive ?
Il s'agit d'une classe de
Deep Learning.
01
Il est similaire au réseau
neuronal de base, le CNN
possède également des
paramètres d'apprentissage
comme le réseau neuronal,
c'est-à-dire des poids, des
biais, etc.
02
Les réseaux de neurones convolutifs sont
une des catégories principales pour faire
de la reconnaissance d'images, des
classifications d'images, des détections
d'objets, reconnaissance de visages, etc.
03
Les 3 composants de base
définissent le CNN :
-La couche de convolution
-La couche de mise en
commun
-La couche de sortie (ou
couche entièrement
connectée)
04
Les composants de base de couches du CNN :
Layers of CNN
01
Fully connected layer
04
SoftMax/logistic layer
05
Output layer
07
Input layer
convolutional layer (Conv)
Pooling layer
02
03

Recommandé

Les réseaux de neurones convolutifs CNN
Les réseaux de neurones convolutifs CNNLes réseaux de neurones convolutifs CNN
Les réseaux de neurones convolutifs CNNSALMARACHIDI1
 
Mise en oeuvre des Frameworks de Machines et Deep Learning pour les Applicati...
Mise en oeuvre des Frameworks de Machines et Deep Learning pour les Applicati...Mise en oeuvre des Frameworks de Machines et Deep Learning pour les Applicati...
Mise en oeuvre des Frameworks de Machines et Deep Learning pour les Applicati...ENSET, Université Hassan II Casablanca
 
Traitement d'image sous Matlab
Traitement d'image sous Matlab  Traitement d'image sous Matlab
Traitement d'image sous Matlab Hajer Dahech
 
réseaux de neurones artificiels
réseaux de neurones artificiels réseaux de neurones artificiels
réseaux de neurones artificiels Oussama Werfelli
 
classification des images couleurs par un réseau de neurone quaternionique ré...
classification des images couleurs par un réseau de neurone quaternionique ré...classification des images couleurs par un réseau de neurone quaternionique ré...
classification des images couleurs par un réseau de neurone quaternionique ré...Amal Targhi
 
Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...
Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...
Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...Juba Ait idir
 
Introduction au traitement d'images
Introduction au traitement d'imagesIntroduction au traitement d'images
Introduction au traitement d'imagesAbdelouahed Abdou
 
Introduction: Intelligence Artificielle, Machine Learning et Deep Learning
Introduction: Intelligence Artificielle, Machine Learning et Deep LearningIntroduction: Intelligence Artificielle, Machine Learning et Deep Learning
Introduction: Intelligence Artificielle, Machine Learning et Deep LearningNcib Lotfi
 

Contenu connexe

Tendances

Introduction au Deep Learning
Introduction au Deep Learning Introduction au Deep Learning
Introduction au Deep Learning Niji
 
Convolutional neural networks
Convolutional neural networks Convolutional neural networks
Convolutional neural networks Roozbeh Sanaei
 
TP / Traitement d'image : Discrimination de Texture
TP / Traitement d'image : Discrimination de TextureTP / Traitement d'image : Discrimination de Texture
TP / Traitement d'image : Discrimination de TextureAhmed EL ATARI
 
Cheatsheet deep-learning
Cheatsheet deep-learningCheatsheet deep-learning
Cheatsheet deep-learningSteve Nouri
 
Les réseaux de neurones
Les réseaux de neuronesLes réseaux de neurones
Les réseaux de neuronesMariam Amchayd
 
UML Part 4- diagrammres de classes et d'objets mansouri
UML Part 4- diagrammres de classes et d'objets mansouriUML Part 4- diagrammres de classes et d'objets mansouri
UML Part 4- diagrammres de classes et d'objets mansouriMansouri Khalifa
 
Cours java avance débutant facile l'essentiel swing ,events
Cours java avance débutant facile l'essentiel swing ,events Cours java avance débutant facile l'essentiel swing ,events
Cours java avance débutant facile l'essentiel swing ,events Houssem Hamrouni
 
diagramme de classe
diagramme de classediagramme de classe
diagramme de classeAmir Souissi
 
Event B ( B événementiel )
Event B ( B événementiel )Event B ( B événementiel )
Event B ( B événementiel )Halima Bouabdelli
 
Cours Réseaux et Protocoles_Part1.pptx
Cours Réseaux et Protocoles_Part1.pptxCours Réseaux et Protocoles_Part1.pptx
Cours Réseaux et Protocoles_Part1.pptxNissrineNiss1
 
Introduction to Machine learning
Introduction to Machine learningIntroduction to Machine learning
Introduction to Machine learningQuentin Ambard
 
Présentation FADEL Wiam sur le nlp et machine learning
Présentation FADEL Wiam sur le nlp et machine learningPrésentation FADEL Wiam sur le nlp et machine learning
Présentation FADEL Wiam sur le nlp et machine learningWiamFADEL
 
Methodes d'accès dans les réseaux locaux
Methodes d'accès dans les réseaux locauxMethodes d'accès dans les réseaux locaux
Methodes d'accès dans les réseaux locauxInes Kechiche
 
Rapport-du-projet CNN.docx
Rapport-du-projet CNN.docxRapport-du-projet CNN.docx
Rapport-du-projet CNN.docxkhalil Ismail
 
Les applications du Deep Learning
Les applications du Deep LearningLes applications du Deep Learning
Les applications du Deep LearningJedha Bootcamp
 
devoir traitement d'images
devoir traitement d'imagesdevoir traitement d'images
devoir traitement d'imagesomar bllaouhamou
 
AI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine LearnigAI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine LearnigFelipe Sanchez Garzon
 
Data Mining (Partie 1).pdf
Data Mining (Partie 1).pdfData Mining (Partie 1).pdf
Data Mining (Partie 1).pdfOuailChoukhairi
 

Tendances (20)

Introduction au Deep Learning
Introduction au Deep Learning Introduction au Deep Learning
Introduction au Deep Learning
 
Convolutional neural networks
Convolutional neural networks Convolutional neural networks
Convolutional neural networks
 
TP / Traitement d'image : Discrimination de Texture
TP / Traitement d'image : Discrimination de TextureTP / Traitement d'image : Discrimination de Texture
TP / Traitement d'image : Discrimination de Texture
 
Cheatsheet deep-learning
Cheatsheet deep-learningCheatsheet deep-learning
Cheatsheet deep-learning
 
Les réseaux de neurones
Les réseaux de neuronesLes réseaux de neurones
Les réseaux de neurones
 
UML Part 4- diagrammres de classes et d'objets mansouri
UML Part 4- diagrammres de classes et d'objets mansouriUML Part 4- diagrammres de classes et d'objets mansouri
UML Part 4- diagrammres de classes et d'objets mansouri
 
Cours java avance débutant facile l'essentiel swing ,events
Cours java avance débutant facile l'essentiel swing ,events Cours java avance débutant facile l'essentiel swing ,events
Cours java avance débutant facile l'essentiel swing ,events
 
diagramme de classe
diagramme de classediagramme de classe
diagramme de classe
 
Event B ( B événementiel )
Event B ( B événementiel )Event B ( B événementiel )
Event B ( B événementiel )
 
Cours Réseaux et Protocoles_Part1.pptx
Cours Réseaux et Protocoles_Part1.pptxCours Réseaux et Protocoles_Part1.pptx
Cours Réseaux et Protocoles_Part1.pptx
 
Introduction to Machine learning
Introduction to Machine learningIntroduction to Machine learning
Introduction to Machine learning
 
Deep learning
Deep learningDeep learning
Deep learning
 
Présentation FADEL Wiam sur le nlp et machine learning
Présentation FADEL Wiam sur le nlp et machine learningPrésentation FADEL Wiam sur le nlp et machine learning
Présentation FADEL Wiam sur le nlp et machine learning
 
Methodes d'accès dans les réseaux locaux
Methodes d'accès dans les réseaux locauxMethodes d'accès dans les réseaux locaux
Methodes d'accès dans les réseaux locaux
 
Rapport-du-projet CNN.docx
Rapport-du-projet CNN.docxRapport-du-projet CNN.docx
Rapport-du-projet CNN.docx
 
Présentation pfe
Présentation pfePrésentation pfe
Présentation pfe
 
Les applications du Deep Learning
Les applications du Deep LearningLes applications du Deep Learning
Les applications du Deep Learning
 
devoir traitement d'images
devoir traitement d'imagesdevoir traitement d'images
devoir traitement d'images
 
AI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine LearnigAI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine Learnig
 
Data Mining (Partie 1).pdf
Data Mining (Partie 1).pdfData Mining (Partie 1).pdf
Data Mining (Partie 1).pdf
 

Similaire à Convolutional Neural Networks (CNNs)

TP_Réseaux_de_neurones_Safae_ElOmari.pdf
TP_Réseaux_de_neurones_Safae_ElOmari.pdfTP_Réseaux_de_neurones_Safae_ElOmari.pdf
TP_Réseaux_de_neurones_Safae_ElOmari.pdfSafaeElOmari
 
Computer Vision - Classification automatique des races de chien à partir de p...
Computer Vision - Classification automatique des races de chien à partir de p...Computer Vision - Classification automatique des races de chien à partir de p...
Computer Vision - Classification automatique des races de chien à partir de p...FUMERY Michael
 
Visual Transformer Overview
Visual Transformer OverviewVisual Transformer Overview
Visual Transformer OverviewDr Hajji Hicham
 
622 vision-industrielle-principes
622 vision-industrielle-principes622 vision-industrielle-principes
622 vision-industrielle-principesBen Fethi
 
Étude et résolution numérique de deux modèles basés sur des équations aux dér...
Étude et résolution numérique de deux modèles basés sur des équations aux dér...Étude et résolution numérique de deux modèles basés sur des équations aux dér...
Étude et résolution numérique de deux modèles basés sur des équations aux dér...Ayoub Boudlal
 
Fondements du machine learning
Fondements du machine learningFondements du machine learning
Fondements du machine learningFrederic Simard
 
Reconnaissance de panneaux de signalisation routière en utilisant la détectio...
Reconnaissance de panneaux de signalisation routière en utilisant la détectio...Reconnaissance de panneaux de signalisation routière en utilisant la détectio...
Reconnaissance de panneaux de signalisation routière en utilisant la détectio...Loghin Dumitru
 
Real time human pose recognition in parts from single
Real time human pose recognition in parts from singleReal time human pose recognition in parts from single
Real time human pose recognition in parts from singleMontassir Rabhi
 
Présentation-Zippering.pptx
Présentation-Zippering.pptxPrésentation-Zippering.pptx
Présentation-Zippering.pptxZakariaNj
 
Rapport projet Master 2 - Intelligence Artificielle
Rapport projet Master 2 - Intelligence ArtificielleRapport projet Master 2 - Intelligence Artificielle
Rapport projet Master 2 - Intelligence ArtificielleYanis Marchand
 
Tutoriel de traitement d'images CCD cométaire avec Iris
Tutoriel de traitement d'images CCD cométaire avec IrisTutoriel de traitement d'images CCD cométaire avec Iris
Tutoriel de traitement d'images CCD cométaire avec IrisDidier Walliang
 
Overview of Interpretability Approaches in Deep learning: Focus on Convnet ar...
Overview of Interpretability Approaches in Deep learning: Focus on Convnet ar...Overview of Interpretability Approaches in Deep learning: Focus on Convnet ar...
Overview of Interpretability Approaches in Deep learning: Focus on Convnet ar...Dr Hajji Hicham
 
Support tutoriel : Créer votre jeu en HTML5
Support tutoriel : Créer votre jeu en HTML5Support tutoriel : Créer votre jeu en HTML5
Support tutoriel : Créer votre jeu en HTML5SmartnSkilled
 

Similaire à Convolutional Neural Networks (CNNs) (20)

TP_Réseaux_de_neurones_Safae_ElOmari.pdf
TP_Réseaux_de_neurones_Safae_ElOmari.pdfTP_Réseaux_de_neurones_Safae_ElOmari.pdf
TP_Réseaux_de_neurones_Safae_ElOmari.pdf
 
Mise en oeuvre des framework de machines et deep learning v1
Mise en oeuvre des framework de machines et deep learning v1 Mise en oeuvre des framework de machines et deep learning v1
Mise en oeuvre des framework de machines et deep learning v1
 
Computer Vision - Classification automatique des races de chien à partir de p...
Computer Vision - Classification automatique des races de chien à partir de p...Computer Vision - Classification automatique des races de chien à partir de p...
Computer Vision - Classification automatique des races de chien à partir de p...
 
Chapitre4
Chapitre4Chapitre4
Chapitre4
 
Visual Transformer Overview
Visual Transformer OverviewVisual Transformer Overview
Visual Transformer Overview
 
622 vision-industrielle-principes
622 vision-industrielle-principes622 vision-industrielle-principes
622 vision-industrielle-principes
 
Étude et résolution numérique de deux modèles basés sur des équations aux dér...
Étude et résolution numérique de deux modèles basés sur des équations aux dér...Étude et résolution numérique de deux modèles basés sur des équations aux dér...
Étude et résolution numérique de deux modèles basés sur des équations aux dér...
 
Fondements du machine learning
Fondements du machine learningFondements du machine learning
Fondements du machine learning
 
Comparaison
ComparaisonComparaison
Comparaison
 
Reconnaissance de panneaux de signalisation routière en utilisant la détectio...
Reconnaissance de panneaux de signalisation routière en utilisant la détectio...Reconnaissance de panneaux de signalisation routière en utilisant la détectio...
Reconnaissance de panneaux de signalisation routière en utilisant la détectio...
 
Real time human pose recognition in parts from single
Real time human pose recognition in parts from singleReal time human pose recognition in parts from single
Real time human pose recognition in parts from single
 
Présentation-Zippering.pptx
Présentation-Zippering.pptxPrésentation-Zippering.pptx
Présentation-Zippering.pptx
 
Rapport projet Master 2 - Intelligence Artificielle
Rapport projet Master 2 - Intelligence ArtificielleRapport projet Master 2 - Intelligence Artificielle
Rapport projet Master 2 - Intelligence Artificielle
 
Auto encodeur et compression
Auto encodeur et compressionAuto encodeur et compression
Auto encodeur et compression
 
Java Graphisme
Java GraphismeJava Graphisme
Java Graphisme
 
Tutoriel de traitement d'images CCD cométaire avec Iris
Tutoriel de traitement d'images CCD cométaire avec IrisTutoriel de traitement d'images CCD cométaire avec Iris
Tutoriel de traitement d'images CCD cométaire avec Iris
 
ségmentation d'image
ségmentation d'imageségmentation d'image
ségmentation d'image
 
Analyzing a churn data set
Analyzing a churn data set Analyzing a churn data set
Analyzing a churn data set
 
Overview of Interpretability Approaches in Deep learning: Focus on Convnet ar...
Overview of Interpretability Approaches in Deep learning: Focus on Convnet ar...Overview of Interpretability Approaches in Deep learning: Focus on Convnet ar...
Overview of Interpretability Approaches in Deep learning: Focus on Convnet ar...
 
Support tutoriel : Créer votre jeu en HTML5
Support tutoriel : Créer votre jeu en HTML5Support tutoriel : Créer votre jeu en HTML5
Support tutoriel : Créer votre jeu en HTML5
 

Dernier

Flash'Conso - Février 2024 : l'utilisation des réseaux sociaux par les Français
Flash'Conso - Février 2024 : l'utilisation des réseaux sociaux par les FrançaisFlash'Conso - Février 2024 : l'utilisation des réseaux sociaux par les Français
Flash'Conso - Février 2024 : l'utilisation des réseaux sociaux par les FrançaisEnov
 

Dernier (6)

2 Garcia Vélasco projet AcCT 18 oct 2023.pdf
2 Garcia Vélasco projet AcCT 18 oct 2023.pdf2 Garcia Vélasco projet AcCT 18 oct 2023.pdf
2 Garcia Vélasco projet AcCT 18 oct 2023.pdf
 
4 Sigwalt Annie saisonniers 18 octobre 2023.pdf
4 Sigwalt Annie  saisonniers 18 octobre 2023.pdf4 Sigwalt Annie  saisonniers 18 octobre 2023.pdf
4 Sigwalt Annie saisonniers 18 octobre 2023.pdf
 
Flash'Conso - Février 2024 : l'utilisation des réseaux sociaux par les Français
Flash'Conso - Février 2024 : l'utilisation des réseaux sociaux par les FrançaisFlash'Conso - Février 2024 : l'utilisation des réseaux sociaux par les Français
Flash'Conso - Février 2024 : l'utilisation des réseaux sociaux par les Français
 
1 Astié travaux station Auray 18 oct 2023.pdf
1 Astié travaux station Auray 18 oct 2023.pdf1 Astié travaux station Auray 18 oct 2023.pdf
1 Astié travaux station Auray 18 oct 2023.pdf
 
Travail en volière Ruch 11 mars 2024 déf.pdf
Travail en volière Ruch 11 mars 2024 déf.pdfTravail en volière Ruch 11 mars 2024 déf.pdf
Travail en volière Ruch 11 mars 2024 déf.pdf
 
3 Bidet GRH en viticulture 18 oct 2023.pdf
3 Bidet GRH en viticulture 18 oct 2023.pdf3 Bidet GRH en viticulture 18 oct 2023.pdf
3 Bidet GRH en viticulture 18 oct 2023.pdf
 

Convolutional Neural Networks (CNNs)

  • 1. Les réseaux de neurones Convolutifs - CNN- Présentée par: Bouchriha Hajar Rachidi Salma
  • 2. Plan : 01 Motivation Cnn : Padding 04 02 Cnn : Couche Convolutive 03 Cnn : Couche fully-connected 05 Architecture d’un CNN 06 Qu'est ce qu'un réseau de neurones convolutive ?
  • 5. Qu'est ce qu'un réseau de neurones convolutive ? Il s'agit d'une classe de Deep Learning. 01 Il est similaire au réseau neuronal de base, le CNN possède également des paramètres d'apprentissage comme le réseau neuronal, c'est-à-dire des poids, des biais, etc. 02 Les réseaux de neurones convolutifs sont une des catégories principales pour faire de la reconnaissance d'images, des classifications d'images, des détections d'objets, reconnaissance de visages, etc. 03 Les 3 composants de base définissent le CNN : -La couche de convolution -La couche de mise en commun -La couche de sortie (ou couche entièrement connectée) 04
  • 6. Les composants de base de couches du CNN : Layers of CNN 01 Fully connected layer 04 SoftMax/logistic layer 05 Output layer 07 Input layer convolutional layer (Conv) Pooling layer 02 03
  • 7. Les CNN sont spécialement conçus pour traiter des images en entrée
  • 8. Couche d'entrée (Input Layer) : Cette couche reçoit les données d'entrée, généralement représentées sous forme d'images. Les images sont généralement représentées sous la forme d'un tenseur multidimensionnel, par exemple, pour des images en niveaux de gris de taille 28x28, le tenseur serait de dimension (28, 28, 1), où 1 représente le canal de couleur. Couche d'entrée (Input Layer)
  • 9. La couche convolutive La convolution, d’un point de vue simpliste, est le fait d’appliquer un filtre mathématique à une image. D’un point de vue plus technique, il s’agit de faire glisser une matrice par-dessus une image, et pour chaque pixel, utiliser la somme de la multiplication de ce pixel par la valeur de la matrice. Cette technique nous permet de trouver des parties de l’image qui pourraient nous être intéressantes. Prenons la Figure ci-dessous à gauche comme exemple d’image et la Figure à droite comme exemple de 1 0 1 0 1 0 1 0 1 5 2 1 3 5 4 3 2 3 4 0 2 1 2 2 3 3 2 3 2 2 1 3 2 2
  • 10. Appliquer le filtre sur l’image : 1 0 1 0 1 0 1 0 1
  • 15. Padding et Stride Les paramètres de CNN Stride 01 Padding 02
  • 16. Stride (pas) : Le stride fait référence à la taille du pas utilisé lorsque le filtre de convolution se déplace à travers les données d'entrée ou les cartes de caractéristiques. Il détermine la quantité de déplacement spatial entre les applications successives du filtre. Un stride de 1 signifie que le filtre se déplace d'un pixel à la fois. Un stride de 2 signifie qu'il se déplace de deux pixels à la fois, et ainsi de suite. Un stride plus élevé réduit la dimension spatiale de la sortie. Padding (Rempliçage) : Le padding fait référence à l'ajout de zéros autour des bords de l'image ou des cartes de caractéristiques avant d'appliquer la convolution. Il est utilisé pour préserver la taille spatiale de la sortie et éviter une réduction excessive de la dimensionnalité. Le padding permet de conserver les informations sur les bords de l'image et peut être utile pour maintenir la résolution spatiale ou pour améliorer la performance du modèle. Deux types courants de padding sont le "valid padding" (sans remplissage) où aucun zéro n'est ajouté et le "same padding" où suffisamment de zéros sont ajoutés pour que la taille de l'entrée et de la sortie soit la même. &
  • 17. Exemple de Stride stride = (2,2) à droite stride = (2,2) en bas
  • 19. Valid padding (remplissage valide) : Dans ce cas, aucun padding n'est ajouté à l'image. Lorsque le filtre est appliqué, seuls les pixels entièrement contenus dans l'image sont considérés. L'image résultante après la convolution est plus petite que l'image d'origine. Cela peut entraîner une perte d'informations sur les bords de l'image. Same padding (remplissage identique) : Avec ce type de padding, des pixels sont ajoutés autour de l'image de manière à ce que la taille de l'image après la convolution soit identique à celle de l'image d'origine. Pour atteindre cela, la quantité de padding ajoutée dépend de la taille du filtre et de la façon dont le filtre se déplace sur l'image. Le remplissage identique aide à préserver les informations sur les bords de l'image. Padding
  • 22. ReLu est une fonction qui doit être appliquée à chaque pixel d’une image après convolution, et remplace chaque valeur négative par un 0. Si cette fonction n’est pas appliquée, la fonction créée sera linéaire et le problème XOR persiste puisque dans la couche de convolution, aucune fonction d’activation n’est appliquée. ReLu – Unité linéaire rectifiée
  • 23. Comment choisir les features ? Contrairement aux méthodes traditionnelles, les features ne sont pas pré-définies selon un formalisme particulier mais apprises par le réseau lors la phase d'entraînement ! Les noyaux des filtres désignent les poids de la couche de convolution. Ils sont initialisés puis mis à jour par rétropropagation du gradient. C'est là toute la force des réseaux de neurones convolutifs : ceux-ci sont capables de déterminer tout seul les éléments discriminants d'une image, en s'adaptant au problème posé. Par exemple, si la question est de distinguer les chats des chiens, les features automatiquement définies peuvent décrire la forme des oreilles ou des pattes.
  • 24. CNN: Pooling  Recherche de détails plus « grossiers », de plus grandes « structures » dans l’image  Max-pooling de taille 𝑙 : on prend l’élément maximal de chaque sous-tableau de taille 𝑙  Sum-pooling de taille 𝑙 : on fait la somme de tous les éléments de chaque sous tableau de taille 𝑙 Le Pooling : opération utilisée pour réduire la dimension
  • 25. Couche fully-connected La couche fully-connected constitue toujours la dernière couche d'un réseau de neurones. Ce type de couche reçoit un vecteur en entrée et produit un nouveau vecteur en sortie. Pour cela, elle applique une combinaison linéaire puis éventuellement une fonction d'activation aux valeurs reçues en entrée. La dernière couche fully-connected permet de classifier l'image en entrée du réseau : elle renvoie un vecteur de taille N , où N est le nombre de classes dans notre problème de classification d'images. Chaque élément du vecteur indique la probabilité pour l'image en entrée d'appartenir à une classe. Par exemple, si le problème consiste à distinguer les chats des chiens, le vecteur final sera de taille 2 : le premier élément (respectivement, le deuxième) donne la probabilité d'appartenir à la classe "chat" (respectivement "chien"). Ainsi, le vecteur [0.9 0.1] signifie que l'image a 90% de chances de représenter un chat. Pour calculer les probabilités, la couche fully-connected multiplie donc chaque élément en entrée par un poids, fait la somme, puis applique une fonction d'activation (logistique si N=2 , softmax si N>2) : Ce traitement revient à multiplier le vecteur en entrée par la matrice contenant les poids. Le fait que chaque valeur en entrée soit connectée avec toutes les valeurs en sortie explique le terme fully-connected.
  • 26. Architecture d’un CNN Un réseau de neurones à convolution peut avoir plusieurs étapes de convolution, ReLu et Pooling. Une règle à respecter est que la fonction de ReLu doit obligatoirement être appliquée après une étape de convolution afin d’avoir une réponse non-linéaire, mais le Pooling n’est pas obligatoire. Après être passé par toutes les étapes de convolution, ReLu et Pooling, nous pouvons passer à la classification des images. La dernière phase consiste à envoyer tous les pixels dans un réseau de neurones multicouches. Étant donné que nous avons pu récupérer les parties les plus importantes d’une image que nous avons condensée, la phase de classification sera beaucoup plus performante qu’en utilisant un réseau de neurones artificiels sans convolution.
  • 27. Un CNN est simplement un empilement de plusieurs couches de convolution, pooling, correction ReLU et fully-connected. Chaque image reçue en entrée va donc être filtrée, réduite et corrigée plusieurs fois, pour finalement former un vecteur. Dans le problème de classification, ce vecteur contient les probabilités d'appartenance aux classes. Tous les réseaux de neurones convolutifs doivent commencer par une couche de convolution et finir par une couche fully-connected. Les couches intermédiaires peuvent s'empiler de différentes manières, à condition que la sortie d'une couche ait la même structure que l'entrée de la suivante. Par exemple, une couche fully-connected, qui renvoie toujours un vecteur, ne peut pas être placée avant une couche de pooling, puisque cette dernière doit recevoir une matrice 3D. En général, un réseau de neurones empile plusieurs couches de convolution et de correction ReLU, ajoute ensuite une couche de pooling (facultative), et répète ce motif plusieurs fois ; puis, il empile des couches fully-connected. Plus il y a de couches, plus le réseau de neurones est "profond" : on est en plein dans le Deep Learning!
  • 30. Pour résumer : • Réseaux de neurones convolutifs : Permet d’extraire les caractéristiques pertinentes dans les inputs : caractéristiques qui sont invariantes par translation (forme dans les images), corrélation locale. • La partie de la couche convolutive d'un CNN consiste à appliquer des filtres de convolution sur les données d'entrée pour extraire des caractéristiques pertinentes, suivi d'une fonction d'activation non linéaire pour introduire de la non-linéarité dans le modèle. Cette opération est répétée avec plusieurs filtres pour capturer des informations à différentes échelles et niveaux d'abstraction, ce qui permet au CNN d'apprendre des représentations hiérarchiques des données. • le stride contrôle le déplacement spatial lors de la convolution, tandis que le padding permet de contrôler la taille de la sortie en ajoutant des zéros autour des bords de l'entrée. • la couche fully-connected d'un CNN est responsable de la classification en utilisant les caractéristiques extraites par les couches convolutives.
  • 31. Conclusion Finalement, le principe de fonctionnement d’un CNN est assez facile à comprendre, mais paradoxalement, la mise en place d’un tel procédé pour classifier des images demeure très complexe étant donné le nombre considérable de paramètres à définir : nombre, taille, déplacement des filtres, choix de la méthode de pooling, choix du nombre de couches de neurones, nombre de neurones par couches, etc.