Convolutional Neural Network
Un réseau de neurones convolutionnel (CNN, pour Convolutional Neural Network) est une architecture de réseau neuronal spécifiquement conçue pour analyser des données organisées en grille, comme les images (2D) ou les signaux temporels (1D).
Principe
- Les couches convolutionnelles extraient automatiquement des caractéristiques locales (contours, textures, motifs).
- Les couches de pooling réduisent la dimensionnalité tout en conservant les informations essentielles.
- Les couches entièrement connectées (fully connected layers) combinent ces informations pour produire une prédiction.
Applications
- Vision par ordinateur : classification d’images, détection d’objets, segmentation sémantique.
- Médical : détection de tumeurs sur des IRM.
- Automobile : systèmes de conduite autonome (reconnaissance de panneaux, piétons).
- Sécurité : reconnaissance faciale.
Les CNN ont marqué un tournant majeur en intelligence artificielle : ils ont permis de dépasser les approches classiques où les chercheurs devaient concevoir manuellement des descripteurs visuels. Désormais, le réseau apprend lui-même les caractéristiques pertinentes à partir de millions d’exemples.
Un point clé réside dans la hiérarchisation des représentations. Les premières couches détectent des motifs simples (contours, textures), les couches intermédiaires combinent ces motifs pour reconnaître des formes plus complexes, et les couches finales identifient des objets entiers. Cette structuration hiérarchique imite en partie le fonctionnement du cortex visuel humain.
Au-delà de la vision, les CNN trouvent leur place dans des domaines inattendus : analyse de séquences biologiques, détection de fraudes, ou traitement du langage naturel. Cependant, leur succès repose sur la disponibilité de données massives et sur une puissance de calcul importante. Aujourd’hui, l’enjeu est de rendre ces architectures plus légères et accessibles, par exemple grâce au quantization ou à l’edge AI.
Référence
- LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
