Passage à la vision par ordinateur : pourquoi les réseaux de neurones convolutifs ?

Passage à la vision par ordinateur

Nous passons aujourd'hui du traitement de données simples et structurées à l'aide de couches linéaires basiques au défi des données d'image à haute dimension. Une seule image en couleur introduit une complexité considérable que les architectures standards ne peuvent pas gérer efficacement. L'apprentissage profond pour la vision nécessite une approche spécialisée : le réseau de neurones convolutif (CNN).

1. Pourquoi les réseaux entièrement connectés (FCN) échouent

Dans un FCN, chaque pixel d'entrée doit être connecté à chaque neurone de la couche suivante. Pour les images haute résolution, cela entraîne une explosion computationnelle, rendant l'entraînement impossible et la généralisation médiocre à cause d'un surapprentissage extrême.

Input Dimension: A standard $224 \times 224$ RGB image results in $150,528$ input features ($224 \times 224 \times 3$).
Hidden Layer Size: If the first hidden layer uses 1,024 neurons.
Total Parameters (Layer 1): $\approx 154$ million weights ($150,528 \times 1024$) just for the first connection block, requiring massive memory and compute time.

La solution CNN

Les CNN résolvent le problème de mise à l'échelle des FCN en exploitant la structure spatiale des images. Ils identifient des motifs (comme des bords ou des courbes) à l'aide de petits filtres, réduisant le nombre de paramètres de plusieurs ordres de grandeur et favorisant la robustesse.

TERMINALbash — model-env

> Ready. Click "Run" to execute.

PARAMETER EFFICIENCY INSPECTOR Live

Run comparison to visualize parameter counts.

Question 1

What is the primary benefit of using Local Receptive Fields in CNNs?

Filters only focus on a small, localized region of the input image.

It allows the network to process the entire image globally at once.

It ensures all parameters are initialized to zero.

It removes the need for activation functions.

Question 2

If a $3 \times 3$ filter is applied across an entire image, what core CNN concept is being utilized?

Kernel Normalization

Shared Weights

Full Connectivity

Feature Transposition

Question 3

Which CNN component is responsible for progressively reducing the spatial dimensions (width and height) of the feature maps?

ReLU Activation

Pooling Layers (Subsampling)

Batch Normalization

Challenge: Identifying Key CNN Components

Relate CNN mechanisms to their functional benefits.

We need to build a vision model that is highly parameter efficient and can recognize an object even if it slightly shifts its position in the image.

Step 1

Which mechanism ensures the network can identify a feature (like a diagonal line) regardless of where it is in the frame?

Solution:
Shared Weights. By using the same filter across all locations, the network learns translation invariance.

Step 2

What architectural choice allows a CNN to detect features with fewer parameters than an FCN?

Solution:
Local Receptive Fields (or Sparse Connectivity). Instead of connecting to every pixel, each neuron only connects to a small, localized region of the input.

Step 3

How does the CNN structure lead to hierarchical feature learning (e.g., edges $\to$ corners $\to$ objects)?

Solution:
Stacked Layers. Early layers learn simple features (edges) using convolution. Deeper layers combine the outputs of earlier layers to form complex, abstract features (objects).