Karteikarten: Introduction aux réseaux convolutifs en vision par ordinateur — 16 Karten

Réseaux convolutifs — rôle ?

Reconnaissance et classification d’images.

Convolution — définition ?

Opération matricielle appliquant un kernel à une image.

Produit de Hadamard — opération ?

Produit terme à terme entre deux matrices.

Limite réseaux denses — problème ?

Incapacité à traiter images haute résolution efficacement.

Noyaux (kernels) — apprentissage ?

Coefficients appris lors de l’entraînement.

Hyperparamètre taille — influence ?

Détermine la zone locale analysée.

Padding — rôle ?

Préserve la taille de l’image après convolution.

Stride — effet ?

Déplace le kernel, influence la taille de sortie.

Pooling — fonction ?

Réduit la taille des images en conservant l’essentiel.

Architecture CNN — étape clé ?

Alternance convolution et pooling pour extraire et compresser.

Sortie CNN — passage à ?

Réseau classique pour classification.

Historique CNN — inventeur ?

Yann LeCun en 1990.

TensorFlow — rôle ?

Bibliothèque pour implémenter des CNN.

Keras — avantage ?

Facilite la construction de modèles CNN.

Réseau dense — inconvénient ?

Nombre élevé de paramètres, inefficace pour haute résolution.

Hyperparamètres — influence ?

Taille du kernel, padding, stride contrôlent la sortie.