Comprendre les couches de convolution

Les couches de convolution constituent le cœur des réseaux de neurones convolutifs (CNN). Elles appliquent une convolution, où une petite matrice appelée filtre (ou noyau) se déplace sur une image pour détecter les bords, textures et formes. Cela permet aux CNN de traiter les images plus efficacement que les réseaux traditionnels.

Au lieu d'analyser une image entière en une seule fois, les CNN la divisent en sections plus petites, détectant des caractéristiques à différents niveaux. Les premières couches reconnaissent des motifs simples comme les bords, tandis que les couches plus profondes détectent des structures complexes.

Fonctionnement de la convolution

La convolution implique le déplacement d’un filtre (noyau) sur une image, en suivant les étapes suivantes :

1. Appliquer le noyau en haut à gauche de l’image.

2. Effectuer une multiplication élément par élément entre le noyau et les valeurs des pixels.

3. Additionner les produits pour générer un pixel de sortie.

4. Déplacer le noyau selon le pas (stride) et répéter.

5. Générer une carte de caractéristiques mettant en évidence les motifs détectés.

L’utilisation de plusieurs filtres permet aux CNN de capturer différentes caractéristiques, telles que les bords verticaux, les courbes et les textures.

Filtres (Noyaux) :

Les filtres jouent un rôle essentiel dans l'extraction de motifs significatifs à partir des images. Différents types de filtres sont spécialisés dans l'identification de diverses caractéristiques :

• Filtres de détection de contours : identifient les frontières des objets en détectant les changements brusques d'intensité (par exemple, filtres de Sobel, Prewitt et Laplacien) ;

• Filtres de texture : capturent les motifs répétitifs tels que les vagues ou les grilles (par exemple, filtres de Gabor) ;

• Filtres de renforcement : améliorent les détails de l'image en amplifiant les composantes haute fréquence ;

• Filtres de flou : réduisent le bruit et lissent les images (par exemple, filtre de flou gaussien) ;

• Filtres d'embossage : mettent en valeur les contours et ajoutent un effet 3D en accentuant la profondeur.

Chaque filtre est entraîné à détecter des motifs spécifiques et contribue à la construction de représentations hiérarchiques des caractéristiques dans les CNN profonds.

Les couches de convolution réutilisent le même filtre sur toute l'image, ce qui réduit le nombre de paramètres et rend les CNN efficaces. Cependant, les couches localement connectées spécialisées utilisent des filtres différents pour différentes régions si nécessaire.

En empilant les couches de convolution, les CNN extraient des motifs détaillés, ce qui les rend puissants pour la classification d'images, la détection d'objets et les tâches de vision.

Hyperparamètres :

• Stride (pas) : contrôle la distance parcourue par le filtre à chaque étape ;

• Padding (remplissage) : ajoute des pixels pour contrôler la taille de sortie (le remplissage "same" préserve la taille, le remplissage "valid" la réduit) ;

• Nombre de filtres (profondeur) : un plus grand nombre de filtres améliore la détection des caractéristiques mais augmente le calcul.

Avant le prochain chapitre, il est important de se rappeler :

Bien que les couches de convolution puissent réduire la taille de la sortie, leur objectif principal est l'extraction de caractéristiques, et non la réduction de la dimensionnalité. Les couches de pooling, en revanche, réduisent explicitement la dimensionnalité tout en conservant les informations importantes, assurant ainsi l'efficacité dans les couches plus profondes.