Les images possèdent une structure. Les pixels voisins sont liés entre eux et des motifs se répètent dans l'image. Les réseaux de neurones convolutifs exploitent cette structure en faisant glisser de petits filtres sur l'entrée, en partageant les poids et en détectant les caractéristiques locales où qu'elles apparaissent.

Une architecture typique empile des couches de convolution, des fonctions d'activation et des blocs de pooling. Les premières couches détectent les contours et les textures. Les couches plus profondes les combinent pour former des parties et des objets. Un classificateur final associe les caractéristiques apprises à des étiquettes.

Éléments constitutifs clés

• Filtres de convolution avec poids apprenables
• Mise en commun pour réduire les dimensions spatiales
• Pas et rembourrage pour contrôler la taille de sortie
• Couches entièrement connectées pour la classification

Les réseaux de neurones convolutifs (CNN) ont dominé le domaine de la vision pendant une décennie, à commencer par AlexNet en 2012. Les transformateurs de vision sont désormais compétitifs sur de nombreux critères d'évaluation, mais les CNN restent efficaces et largement déployés dans les systèmes embarqués et mobiles.