Les réseaux de neurones convolutifs (CNN) sont un modèle d'apprentissage profond particulièrement adapté à la reconnaissance d'images, à l'analyse vidéo, au traitement du langage naturel et à d'autres domaines. La conception de CNN s'inspire des systèmes de vision biologique et utilise une structure hiérarchique pour capturer les caractéristiques locales et les modèles globaux des données.

Années 1950 : Frank Rosenblatt propose le Perceptron, l'un des premiers modèles de réseaux neuronaux.

Années 1980 : Yann LeCun et d'autres proposent LeNet-5, qui fut le premier CNN appliqué avec succès à la reconnaissance de chiffres manuscrits.

1998 : Yann LeCun et d'autres ont développé LeNet-5 et proposé une version améliorée de LeNet-5 pour la reconnaissance des codes postaux manuscrits.

2012 : Alex Krizhevsky et d'autres ont proposé AlexNet, le premier CNN à obtenir des résultats révolutionnaires dans le cadre du ImageNet Large-Scale Visual Recognition Challenge (ILSVRC).

2014 : VGGNet a obtenu de meilleurs résultats dans ILSVRC, démontrant les avantages de structures de réseau plus profondes.

2014 : Google propose l'architecture Inception (GoogLeNet), qui améliore l'efficacité informatique du réseau en introduisant le module Inception.

2015 : Microsoft propose ResNet (Residual Network), qui résout le problème du gradient de disparition dans la formation approfondie du réseau via des connexions résiduelles.

Jusqu'à présent : CNN continue d'évoluer, avec l'émergence de nouvelles structures de réseau telles que EfficientNet et Vision Transformer, ainsi qu'une optimisation accrue dans divers domaines d'application.

...

Couche d'entrée : reçoit des données brutes, telles que les valeurs de pixels d'une image.

Couche de convolution : utilisez des noyaux de convolution pour extraire les fonctionnalités locales.

Couche d'activation : introduit la non-linéarité, comme ReLU.

Couche de pooling : réduisez la dimension des données, réduisez la quantité de calcul et évitez le surajustement.

Couche entièrement connectée : mappe les entités vers la sortie finale, telles que les étiquettes de classification.

Couche de sortie : génère le résultat final du réseau.

Opération de convolution : faites glisser le noyau de convolution sur les données d'entrée pour extraire les caractéristiques locales.

Partage de poids : le même noyau de convolution partage les poids sur l'ensemble des données d'entrée, réduisant ainsi les paramètres du modèle.

Mise en commun : sous-échantillonnage d'une zone locale, telle qu'une mise en commun maximale ou une mise en commun moyenne.

Fonction d'activation : introduire la non-linéarité, telle que ReLU, Sigmoid, Tanh, etc.

Noyau de convolution (Filtre) : matrice de poids utilisée pour extraire les caractéristiques de la couche de convolution.

Stride : la taille du pas nécessaire au noyau de convolution pour se déplacer sur les données d'entrée.

...

LeNet-5 : premier modèle CNN pour la reconnaissance de chiffres manuscrits.

AlexNet : Présentation de la fonction d'activation ReLU, réduisant le nombre de paramètres et améliorant la vitesse d'entraînement.

VGGNet : utilise de petits noyaux de convolution et une structure de réseau plus profonde.

InceptionNet : Présentation du module Inception pour améliorer l'efficacité informatique du réseau.

ResNet : résolvez le problème du gradient de disparition dans la formation approfondie du réseau grâce aux connexions résiduelles.

SqueezeNet : démontre que les CNN peuvent maintenir des performances élevées même avec un petit nombre de paramètres.

...

CNN extrait les caractéristiques locales de l'image via des opérations de convolution et de pooling multicouches, et effectue une classification via des couches entièrement connectées. Les opérations de convolution peuvent capturer des fonctionnalités de bas niveau telles que les bords et les textures des images, tandis que les réseaux profonds peuvent apprendre des modèles plus complexes. Grâce au partage de poids et à la mise en commun, CNN peut gérer efficacement de grands ensembles de données et réduire le risque de surapprentissage.

Reconnaissance d'images : comme la reconnaissance de chiffres manuscrits, la reconnaissance d'objets, etc.

Segmentation d'image : segmentez l'image en plusieurs régions pour l'analyse d'images médicales, etc.

Analyse vidéo : utilisée pour la reconnaissance des comportements, la vidéosurveillance, etc.

Reconnaissance vocale : bien que CNN soit principalement utilisé pour le traitement d’images, il peut également être utilisé pour l’extraction de caractéristiques des signaux vocaux.

...

Exigences en ressources informatiques : les réseaux profonds nécessitent une grande quantité de ressources informatiques et d’espace de stockage.

Exigences en matière de volume de données : afin de former un modèle hautes performances, une grande quantité de données annotées est nécessaire.

Interprétabilité : le mécanisme de fonctionnement interne de CNN n'est pas aussi transparent que les modèles superficiels, ce qui rend difficile l'explication de son processus de prise de décision.

Sensible à la taille d'entrée : les CNN sont quelque peu sensibles à la taille et à l'échelle des données d'entrée et peuvent nécessiter des étapes de prétraitement.

Extraction de fonctionnalités locales : CNN est efficace pour extraire des fonctionnalités locales, mais peut avoir des difficultés à capturer des informations contextuelles globales.

...