Réseau neuronal convolutionnel (Convolutional neural network, CNN)
Architecture de réseau de neurones pour des données en grille comme les images, utilisant des filtres locaux partagés et du pooling pour apprendre efficacement des caractéristiques spatiales.
Un réseau neuronal convolutionnel (CNN) est un réseau de neurones conçu pour des données à structure spatiale, surtout les images. Au lieu de relier chaque pixel d’entrée à chaque unité de la première couche, il applique de petits filtres convolutifs de façon répétée sur l’image, partage les poids et apprend des caractéristiques locales comme les bords et les textures. L’entraînement ajuste ces filtres de bout en bout par rétropropagation, souvent avec des couches de pooling qui réduisent les activations et améliorent la robustesse aux petits décalages.
Yann LeCun et ses collègues aux laboratoires AT&T Bell ont démontré l’approche en 1989 sur des codes postaux manuscrits du service postal américain, une preuve précoce que la convolution plus l’apprentissage par gradient pouvait passer à l’échelle sur des tâches de reconnaissance réelles. La même famille architecturale a ensuite alimenté AlexNet et l’essor moderne de l’apprentissage profond en vision par ordinateur. Voir l’article et l’entrée de chronologie.