Réseau de neurones convolutif (CNN) : définition, architecture et fonctionnement

Couche de convolution : Comment fonctionne la couche convolutive d’un CNN ?

Mécanisme de la convolution : filtres, feature maps et champs réceptifs

La couche de convolution constitue le bloc fonctionnel principal d’un CNN. C’est ici que s’effectue la majorité des calculs du réseau. Son rôle : extraire automatiquement les caractéristiques visuelles d’une image, comme les contours, les textures ou les formes.

Concrètement, la convolution repose sur trois éléments : une donnée d’entrée, un filtre (aussi appelé noyau) et une feature map (carte de caractéristiques). Pour une image couleur, la donnée d’entrée est une matrice de pixels en 3D (largeur, hauteur et canal RVB). Le filtre par exemple une matrice de taille 5 × 5 sur la première couche du jeu de données MNIST (images de chiffres manuscrits de 28 × 28 pixels) balaie l’image et applique un produit scalaire à chaque position.

L’image est ensuite découpée en zones locales, appelées champs réceptifs. Chaque neurone du filtre ne traite qu’une petite région de l’image, ce qui réduit considérablement le nombre de connexions. Un poids unique est partagé pour tous les neurones d’un noyau. Le résultat de ce balayage produit une feature map : une carte qui met en évidence la présence du motif recherché à chaque endroit de l’image.

Hiérarchie des couches et traitement progressif de l’image

L’une des forces des CNN réside dans leur architecture hiérarchique. Les premières couches de convolution détectent des motifs simples (lignes, courbes, points). Les couches suivantes voient les pixels des champs réceptifs précédents et combinent ces motifs simples pour reconnaître des structures plus complexes, comme des yeux, des roues ou des lettres.

Ce traitement progressif permet au réseau de construire une représentation de plus en plus abstraite de l’image. Ainsi, la sortie d’une couche convolutive devient l’entrée de la suivante, chaque niveau affinant la compréhension globale de la scène visuelle. C’est cette hiérarchie de caractéristiques qui permet aux CNN d’atteindre des performances remarquables en reconnaissance d’objets, là où les réseaux traditionnels échouent face à la complexité des données visuelles.

Couche de pooling : Rôle de la couche de mise en commun (Max Pooling)

La couche de pooling, également appelée couche de mise en commun ou de sous-échantillonnage, agit comme un compresseur d’images. Son objectif est simple : réduire la dimensionnalité des données tout en conservant les informations les plus pertinentes détectées par la couche de convolution. Cette étape est cruciale pour alléger la charge de calcul et limiter les risques de sur-apprentissage.

Concrètement, son fonctionnement se décompose en plusieurs actions clés :

Réduction de dimensionnalité des paramètres : La couche de pooling diminue drastiquement le nombre de paramètres d’entrée, ce qui rend le réseau plus rapide et plus efficace.
Filtre sans poids : Contrairement à la convolution, le pooling utilise un filtre qui ne possède aucun poids. Il ne fait que résumer une zone de pixels sans apprentissage, il ne fait que résumer une zone de pixels.
Max pooling 2×2 : La forme la plus courante est le max pooling avec un filtre de 2 × 2 et un pas de 2. Sur chaque zone de 2×2 pixels, il ne conserve que la valeur maximale.
Découpage en rectangles sans chevauchement : L’image d’entrée est découpée en rectangles de n pixels qui ne se chevauchent jamais, garantissant une compression uniforme.
Compression de l’information intermédiaire : Cette technique permet de réduire la taille de l’image intermédiaire (la feature map), en ne gardant que les activations les plus fortes, synonymes de caractéristiques détectées.

En résumé, si la couche de convolution extrait les caractéristiques (bords, textures), la couche de pooling les condense. Elle rend le réseau plus robuste aux petites variations de position et de déformation de l’objet dans l’image, tout en préparant les données pour les couches suivantes.

Couche entièrement connectée (FC) : Structure et fonctionnement de la couche fully connected

Après les étapes de convolution et de pooling, le réseau a transformé l’image brute en une représentation abstraite et compacte. C’est ici qu’intervient la couche entièrement connectée (FC), dont le rôle est d’interpréter ces caractéristiques pour produire la décision finale.

Rôle de la couche FC dans la classification finale

La couche FC agit comme un classificateur de haut niveau. Les cartes de caractéristiques issues du pooling sont aplaties en un vecteur à une dimension, puis passées à travers une ou plusieurs couches denses. Chaque neurone de ces couches va attribuer un poids à chaque caractéristique extraite, afin de déterminer la probabilité que l’image appartienne à une catégorie précise (chat, chien, voiture, etc.).

C’est la dernière étape du raisonnement : on ne cherche plus à identifier des formes, mais à prendre une décision globale sur l’ensemble de l’image. Par exemple, pour une entrée de taille 28 x 28 (comme sur le jeu de données MNIST), la couche FC finale possède 10 neurones de sortie, correspondant aux 10 chiffres possibles.

Connexions totales et différence avec les MLP

La spécificité de cette couche réside dans sa connexion totale : chaque nœud de sortie est relié à chaque nœud de la couche précédente, ce qui lui confère une vue d’ensemble de toutes les caractéristiques détectées. Contrairement aux premières couches du réseau qui sont partiellement connectées (un neurone ne voit qu’une petite zone de l’image), la couche FC agrège l’intégralité des informations.

C’est précisément cette structure qui distingue un CNN d’un MLP (perceptron multicouche) traditionnel. Un MLP applique des connexions totales à toutes ses couches, y compris sur les pixels bruts. Pour une image, cela provoque une croissance exponentielle du nombre de connexions avec la taille de l’image, rendant l’apprentissage extrêmement coûteux et sujet à l’overfitting. Le CNN, en limitant les connexions totales à la fin du réseau, tire parti de l’extraction de caractéristiques en amont pour rester efficace.

Qu’est-ce qu’un réseau de neurones convolutif (CNN) ? Définition et principes fondamentaux

Un réseau de neurones convolutif (CNN) est un sous-ensemble du *machine learning*, plus précisément une pierre angulaire du *deep learning*. Conçu pour traiter des données à structure de grille, il excelle dans l’analyse d’images. L’architecture s’inspire directement du cortex visuel des animaux, dont les mécanismes ont été découverts dès 1968. Une image en entrée est une donnée tridimensionnelle : elle possède une *largeur* et une *hauteur* en pixels, ainsi qu’une *profondeur* correspondant aux canaux de couleur (par exemple, le canal RVB pour une image couleur). Un CNN analyse cette grille de pixels pour extraire des caractéristiques de plus en plus abstraites, permettant ainsi la classification, la reconnaissance d’objets et bien d’autres tâches de vision.

Définition et données d’entrée du CNN

Le CNN compose sa structure de couches de nœuds, chacune ayant un rôle précis dans la transformation des données brutes en prédiction. Contrairement aux réseaux classiques, il ne traite pas l’image comme une simple liste de pixels, mais exploite sa topologie spatiale, ce qui le rend extrêmement performant pour l’analyse visuelle.

Architecture générale : couches de nœuds et de sortie

Un CNN suit une architecture en profondeur, organisée de manière hiérarchique pour raffiner progressivement l’information. On distingue plusieurs types de couches, chacune avec une mission spécifique :

Couche d’entrée : elle reçoit les données brutes. Pour une image, il s’agit d’une matrice de pixels en 2D (monochrome) ou en 3D (couleur, avec le canal RVB).
Couches cachées (convolutives) : c’est le cœur du réseau. Ces couches appliquent des filtres pour extraire des caractéristiques locales (bords, textures) et construisent les *feature maps*.
Couche de pooling (réductrice) : elle réduit la dimensionnalité des données, diminuant le nombre de paramètres et rendant le réseau plus robuste.
Couche de sortie : elle produit le résultat final. Pour une classification, elle attribue une probabilité à chaque catégorie possible (par exemple, « chat » ou « chien »).

L’architecture suit une logique simple : la couche convolutive principale extrait les caractéristiques, et les couches de pooling réduisent la taille des données pour un traitement plus efficace, jusqu’à la couche finale qui prend la décision.

Fonctions d’activation et comparaison CNN vs réseaux traditionnels

Fonctions d’activation : ReLU et Sigmoid dans les CNN

• ReLU : fonction de correction principale, notée f(x) = max(0, x)
• Couches de correction : intercalées entre les couches de traitement du réseau
• Sigmoid : fonction d’activation alternative utilisée en sortie
• Paires Conv-ReLU : séquence standard dans l’architecture des CNN
• Efficacité : traitement optimisé par l’élimination des valeurs négatives

La fonction d’activation ReLU (Unité Linéaire Rectifiée) constitue la correction principale appliquée dans un CNN. Sa formule est simple : elle remplace toute valeur négative par zéro. Cette opération mathématique, bien que minimale, transforme radicalement la capacité du réseau à apprendre des motifs complexes. Dans la pratique, les couches de correction sont intercalées directement après les couches de convolution, formant des paires Conv-ReLU omniprésentes dans l’architecture moderne des réseaux convolutifs.

La fonction Sigmoid reste une alternative pertinente, notamment pour la couche de sortie lors d’une classification binaire. Elle compresse les valeurs dans un intervalle entre 0 et 1, ce qui permet d’interpréter le résultat comme une probabilité. L’usage combiné de ReLU en interne et de Sigmoid en sortie illustre la flexibilité des CNN face à différents problèmes de classification.

CNN vs MLP : supériorité sur les images

Un perceptron multicouche (MLP) connecte chaque neurone à tous ceux de la couche précédente et suivante. Pour une image MNIST de 28 × 28 pixels, cela représente déjà des milliers de connexions ; avec une image plus grande, le nombre de connexions croît de manière exponentielle, rendant l’entraînement impraticable. Le CNN contourne ce problème grâce à des connexions partielles : chaque neurone ne traite qu’une petite région de l’image, appelée champ réceptif.

Cette différence structurelle explique la supériorité des CNN sur les images. Les réseaux convolutifs intègrent un a priori fort : la proximité spatiale des pixels importe. Un MLP traite chaque pixel comme une entrée indépendante, ignorant totalement la structure spatiale. Les CNN exploitent cette structure avec des filtres locaux, réduisant drastiquement le nombre de paramètres tout en améliorant la précision de classification. Sur des cas tests, les CNN surpassent systématiquement les réseaux entièrement connectés lorsque l’entrée est une image ou un signal structuré.

Applications des CNN : Utilisations en vision par ordinateur, classification et détection d’objets

Les réseaux de neurones convolutifs ne se limitent pas à un cadre théorique : ils sont le moteur de nombreuses applications concrètes qui transforment notre interaction avec le numérique. Leur capacité à extraire automatiquement des caractéristiques hiérarchiques à partir de données brutes les rend particulièrement adaptés aux signaux comme l’image, la parole et l’audio. C’est en effet la vision par ordinateur qui constitue leur domaine de prédilection, alimentant des tâches aussi variées que la classification d’images, la détection d’objets ou l’analyse de vidéos.

Pour comprendre l’étendue de leur utilité, il est pertinent de les observer à travers les différents domaines qu’ils irriguent.

Au-delà de ces secteurs, la classification d’images reste la tâche fondamentale des CNN. C’est elle qui permet, par exemple, de trier automatiquement des bibliothèques de photos ou de modérer des contenus en ligne. Les modèles sont entraînés sur d’immenses bases de données comme MNIST, dont les images en niveaux de gris de 28 x 28 pixels servent de référence pour l’apprentissage de la reconnaissance de chiffres manuscrits. Forts de ce savoir-faire, les CNN excellent également dans l’extraction d’informations à partir de vidéos et d’entrées visuelles numériques, ouvrant la voie à l’analyse de comportements ou à la surveillance intelligente d’infrastructures.