Contenu du cours

Principes Fondamentaux de la Vision par Ordinateur

1. Introduction à la Vision par Ordinateur

Qu'est-ce que la Vision par Ordinateur ?Fondamentaux du Traitement d'Image Algèbre Linéaire pour la Manipulation d'Images

2. Traitement d'Images avec OpenCV

Transformations de Base Transformée de Fourier Filtres Passe-Bas et Passe-Haut Réduction du Bruit et Lissage Égalisation d'Histogramme Techniques de super-résolution Détection de Contours Détection de Coins et de Blobs

3. Réseaux de Neurones Convolutifs

Introduction aux Réseaux Neuronaux Convolutifs Couches de Convolution Couches de Pooling Aplatissement Fonctions d'Activation Aperçu des Modèles CNN Populaires Défi : Création d'un CNN

4. Détection d'Objets

Localisation d'Objet Détection d'Objets Prédictions de Boîtes Englobantes Intersection sur Union (IoU) et Métriques d'Évaluation Suppression Non Maximale (NMS)Boîtes d'Ancrage Aperçu du Modèle YOLO Défi : Détection d'Objets avec un Modèle Personnalisé et YOLO

5. Aperçu des Sujets Avancés

Apprentissage par Transfert en Vision par Ordinateur Aperçu de la Reconnaissance Faciale Aperçu de la Génération d'Images

Fonctions d'Activation

Pourquoi les fonctions d'activation sont essentielles dans les CNN

Les fonctions d'activation introduisent la non-linéarité dans les CNN, leur permettant d'apprendre des motifs complexes au-delà de ce qu'un simple modèle linéaire peut réaliser. Sans fonctions d'activation, les CNN auraient du mal à détecter des relations complexes dans les données, limitant ainsi leur efficacité en reconnaissance et classification d'images. Le choix de la fonction d'activation appropriée influence la vitesse d'entraînement, la stabilité et la performance globale.

Fonctions d'activation courantes

ReLU (rectified linear unit) : la fonction d'activation la plus utilisée dans les CNN. Elle transmet uniquement les valeurs positives tout en mettant à zéro toutes les entrées négatives, ce qui la rend efficace sur le plan computationnel et prévient le problème de disparition du gradient. Cependant, certains neurones peuvent devenir inactifs à cause du problème du « ReLU mourant » ;

f (x) = max (0, x)

Leaky ReLU : une variante de ReLU qui autorise de petites valeurs négatives au lieu de les fixer à zéro, évitant ainsi l'inactivation des neurones et améliorant la propagation du gradient ;

f (x) = {\begin{cases} x & , x > 0 \\ α x & , x \leq 0 \end{cases}

Sigmoïde : compresse les valeurs d'entrée dans un intervalle compris entre 0 et 1, ce qui le rend utile pour la classification binaire. Cependant, il souffre du problème de disparition du gradient dans les réseaux profonds ;

f (x) = \frac{1}{1 + e^{- x}}

Tanh : similaire à la fonction sigmoïde mais produit des valeurs comprises entre -1 et 1, centrant ainsi les activations autour de zéro ;

f (x) = \frac{e^{x} - e^{- x}}{e^{x} + e^{- x}}

Softmax : généralement utilisée dans la couche finale pour la classification multi-classes, Softmax convertit les sorties brutes du réseau en probabilités, garantissant qu'elles totalisent un pour une meilleure interprétabilité.

f (x_{i}) = \frac{e^{x_{i}}}{\sum_{j}^{} e^{x_{j}}}

Choix de la fonction d’activation appropriée

ReLU constitue le choix par défaut pour les couches cachées en raison de son efficacité et de ses bonnes performances, tandis que Leaky ReLU est préférable lorsque l’inactivité des neurones devient problématique. Sigmoid et Tanh sont généralement évitées dans les CNN profonds mais restent utiles dans certaines applications spécifiques. Softmax demeure essentielle pour les tâches de classification multi-classes, garantissant des prédictions claires basées sur les probabilités.

Le choix de la fonction d’activation appropriée est essentiel pour optimiser les performances des CNN, équilibrer l’efficacité et prévenir des problèmes tels que les gradients évanescents ou explosifs. Chaque fonction contribue de manière unique à la façon dont un réseau traite et apprend à partir des données visuelles.

1. Pourquoi ReLU est-il préféré à Sigmoid dans les CNN profonds ?

2. Quelle fonction d'activation est couramment utilisée dans la couche finale d'un CNN pour la classification multi-classes ?

3. Quel est l'avantage principal de Leaky ReLU par rapport à ReLU standard ?

Pourquoi ReLU est-il préféré à Sigmoid dans les CNN profonds ?

Select the correct answer

ReLU prévient mieux le surapprentissage que Sigmoid.

ReLU peut gérer la classification multi-classes.

ReLU évite les gradients qui disparaissent et accélère l'entraînement.

Sigmoid est plus efficace en termes de calcul.

Quelle fonction d'activation est couramment utilisée dans la couche finale d'un CNN pour la classification multi-classes ?

Select the correct answer

ReLU

Tanh

Leaky ReLU

Softmax

Quel est l'avantage principal de Leaky ReLU par rapport à ReLU standard ?

Select the correct answer

Elle élimine le besoin d'une couche Softmax.

Elle prévient l'inactivité des neurones en autorisant de petites sorties négatives.

Elle normalise les valeurs entre -1 et 1.

Elle garantit que tous les neurones produisent des valeurs positives.

Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

Section 3. Chapitre 5

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

Contenu du cours

Principes Fondamentaux de la Vision par Ordinateur

1. Introduction à la Vision par Ordinateur

Qu'est-ce que la Vision par Ordinateur ?Fondamentaux du Traitement d'Image Algèbre Linéaire pour la Manipulation d'Images

2. Traitement d'Images avec OpenCV

3. Réseaux de Neurones Convolutifs

Introduction aux Réseaux Neuronaux Convolutifs Couches de Convolution Couches de Pooling Aplatissement Fonctions d'Activation Aperçu des Modèles CNN Populaires Défi : Création d'un CNN

4. Détection d'Objets

5. Aperçu des Sujets Avancés

Apprentissage par Transfert en Vision par Ordinateur Aperçu de la Reconnaissance Faciale Aperçu de la Génération d'Images

Fonctions d'Activation

Pourquoi les fonctions d'activation sont essentielles dans les CNN

Fonctions d'activation courantes

ReLU (rectified linear unit) : la fonction d'activation la plus utilisée dans les CNN. Elle transmet uniquement les valeurs positives tout en mettant à zéro toutes les entrées négatives, ce qui la rend efficace sur le plan computationnel et prévient le problème de disparition du gradient. Cependant, certains neurones peuvent devenir inactifs à cause du problème du « ReLU mourant » ;

f (x) = max (0, x)

Leaky ReLU : une variante de ReLU qui autorise de petites valeurs négatives au lieu de les fixer à zéro, évitant ainsi l'inactivation des neurones et améliorant la propagation du gradient ;

f (x) = {\begin{cases} x & , x > 0 \\ α x & , x \leq 0 \end{cases}

Sigmoïde : compresse les valeurs d'entrée dans un intervalle compris entre 0 et 1, ce qui le rend utile pour la classification binaire. Cependant, il souffre du problème de disparition du gradient dans les réseaux profonds ;

f (x) = \frac{1}{1 + e^{- x}}

Tanh : similaire à la fonction sigmoïde mais produit des valeurs comprises entre -1 et 1, centrant ainsi les activations autour de zéro ;

f (x) = \frac{e^{x} - e^{- x}}{e^{x} + e^{- x}}

Softmax : généralement utilisée dans la couche finale pour la classification multi-classes, Softmax convertit les sorties brutes du réseau en probabilités, garantissant qu'elles totalisent un pour une meilleure interprétabilité.

f (x_{i}) = \frac{e^{x_{i}}}{\sum_{j}^{} e^{x_{j}}}

Choix de la fonction d’activation appropriée

1. Pourquoi ReLU est-il préféré à Sigmoid dans les CNN profonds ?

2. Quelle fonction d'activation est couramment utilisée dans la couche finale d'un CNN pour la classification multi-classes ?

3. Quel est l'avantage principal de Leaky ReLU par rapport à ReLU standard ?

Pourquoi ReLU est-il préféré à Sigmoid dans les CNN profonds ?

Select the correct answer

ReLU prévient mieux le surapprentissage que Sigmoid.

ReLU peut gérer la classification multi-classes.

ReLU évite les gradients qui disparaissent et accélère l'entraînement.

Sigmoid est plus efficace en termes de calcul.

Quelle fonction d'activation est couramment utilisée dans la couche finale d'un CNN pour la classification multi-classes ?

Select the correct answer

ReLU

Tanh

Leaky ReLU

Softmax

Quel est l'avantage principal de Leaky ReLU par rapport à ReLU standard ?

Select the correct answer

Elle élimine le besoin d'une couche Softmax.

Elle prévient l'inactivité des neurones en autorisant de petites sorties négatives.

Elle normalise les valeurs entre -1 et 1.

Elle garantit que tous les neurones produisent des valeurs positives.

Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

Section 3. Chapitre 5