Résumé des Réseaux de Neurones à Convolution
(CNN) pour Révision
Pr. Ibtissam Bakkouri
Année académique 2024/2025
1 Introduction
Ce résumé détaille les objectifs, l’importance des convolutions, les couches de convolution,
les filtres, les biais, et le calcul de la taille de la fenêtre de convolution dans les réseaux de
neurones à convolution (CNN). Il est conçu pour faciliter la révision en vue d’un examen.
2 Objectifs des CNN
Les CNN sont conçus pour traiter des données complexes comme les images. Leurs
objectifs sont :
• Extraction de caractéristiques hiérarchiques : Détecter des motifs simples
(bords, textures) dans les premières couches et des structures complexes (objets)
dans les couches profondes.
• Réduction de la complexité computationnelle : Utiliser le partage des poids
et le pooling pour réduire les paramètres tout en maintenant des performances
élevées.
• Invariance à la translation : Reconnaître les motifs indépendamment de leur
position dans l’image grâce aux convolutions et au pooling.
• Apprentissage automatique des filtres : Apprendre des filtres optimisés pour
détecter des motifs locaux sans intervention manuelle.
3 Importance des Convolutions
La convolution est l’opération clé des CNN :
• Extraction locale : Détecte des motifs locaux (bords, textures) dans de petites
régions de l’image.
• Filtres appris : Chaque filtre est une matrice de poids apprise pour un motif
spécifique, optimisée via la rétropropagation.
• Hiérarchie des caractéristiques : Les couches successives combinent les motifs
pour former des représentations complexes.
1
• Avantage : L’apprentissage automatique des filtres élimine le besoin d’ingénierie
manuelle des caractéristiques.
4 Couches de Convolution
4.1 Fonction principale
Extrait les caractéristiques importantes (bords, textures, formes) des données d’entrée,
qu’il s’agisse d’une image brute ou d’une carte de caractéristiques.
4.2 Opérations clés
• Application des filtres : Un filtre glisse sur l’entrée, calculant un produit scalaire
pour produire une carte de caractéristiques.
• Capture des motifs : Détecte des motifs spécifiques comme les bords ou les
formes.
4.3 Composants essentiels
• Filtres : Matrices de poids apprises (par exemple, 3x3) qui détectent des motifs.
• Strides : Pas de déplacement du filtre (par exemple, 1 ou 2 pixels).
• Padding : Ajout de pixels (souvent des zéros) pour préserver ou ajuster les dimen-
sions.
• Résultat : Carte de caractéristiques indiquant la présence des motifs détectés.
4.4 Équation générale
Ci+1 (m, n) = Ci (m, n) × Wi + bi
• Ci (m, n) : Entrée (image ou carte de caractéristiques).
• Wi : Filtre (matrice de poids).
• × : Produit de convolution.
• bi : Biais.
• Ci+1 (m, n) : Carte de caractéristiques en sortie.
5 Filtres et Convolution
• Filtres (Wi ) : Matrices apprises pour détecter des motifs (par exemple, bords
verticaux). Optimisées via la rétropropagation.
• Produit de convolution : Multiplication élément par élément entre le filtre et
une région de l’entrée, suivie d’une sommation.
• Application glissante : Le filtre parcourt toute l’entrée pour produire une carte
de caractéristiques complète.
2
6 Biais et Résultat de la Convolution
• Biais (bi ) : Valeur scalaire ajoutée pour ajuster les activations.
• Résultat (Ci+1 (m, n)) : Carte de caractéristiques montrant les motifs détectés à
différentes positions.
• Applications : Détection d’objets, reconnaissance d’images, analyse de signaux.
7 Calcul de la Taille de la Fenêtre de Convolution
Formule :
Win − K + 2P
Wout = +1
S
• Wout : Taille de la sortie.
• Win : Taille de l’entrée.
• K : Taille du filtre.
• P : Padding.
• S : Stride.
Exemple : Pour Win = 28, K = 3, P = 1, S = 1, la sortie est :
28 − 3 + 2 · 1
Wout = + 1 = 28
1
8 Conclusion
Les couches de convolution, avec leurs filtres, strides, padding, et biais, sont essentielles
pour extraire des caractéristiques hiérarchiques des images. Les CNN réduisent la com-
plexité, assurent l’invariance à la translation, et apprennent automatiquement des filtres,
ce qui les rend idéaux pour la détection d’objets et la reconnaissance d’images.
