Quiz: Principes fondamentaux des CNN — 12 Fragen

1. Qu'est-ce qu'une couche convolutionnelle dans un réseau de neurones convolutifs (CNN) ?

A. Une couche qui connecte chaque neurone à tous ceux de la couche précédente, avec un grand nombre de paramètres.

B. Une étape de normalisation des données d'entrée avant le traitement.

C. Une couche qui effectue une réduction de dimension par sous-échantillonnage sans apprendre de paramètres.

D. Une couche qui applique une opération de convolution pour extraire des caractéristiques locales en utilisant des filtres partageant leurs paramètres.

Answer: (D)

Erklärung

La couche convolutionnelle applique une opération de convolution à l'entrée en utilisant des filtres (kernels) pour détecter des motifs locaux, en partageant ses paramètres pour réduire la complexité. Elle est essentielle pour l'extraction automatique de caractéristiques dans un CNN.

2. Quelle est la formule pour calculer la dimension de la sortie d'une convolution 2D avec padding zéro, stride s, et filtre de taille f, appliquée à une entrée de dimension w ?

A. w_{out} = rac{w + f - 1}{s}

B. w_{out} = rac{w - f}{s} + 1

C. w_{out} = rac{w - 1}{s} + 1

D. w_{out} = rac{w + 2p - f}{s} + 1 avec p=0

Answer: (D)

Erklärung

La formule correcte pour calculer la dimension de la sortie d'une convolution 2D avec padding zéro est w_{out} = rac{w + 2p - f}{s} + 1. Avec p=0 (padding zéro), elle devient w_{out} = rac{w - f}{s} + 1, mais la formule générale inclut le terme 2p. La réponse 1 est correcte car elle correspond à la formule générale avec p=0.

3. Quel est le rôle principal de la formule de calcul de la dimension des tenseurs en convolution dans un CNN ?

A. Elle indique le nombre de paramètres à apprendre dans la couche convolutionnelle.

B. Elle définit la capacité du réseau à détecter des motifs spécifiques dans l'image.

C. Elle permet de déterminer la taille de la sortie en fonction des paramètres du filtre, du padding et du stride.

D. Elle sert à optimiser la vitesse d'entraînement en ajustant le nombre de couches.

Answer: (C)

Erklärung

La formule de calcul de la dimension des tenseurs en convolution permet de prévoir précisément la taille de la sortie en fonction de la taille de l'entrée, du filtre, du padding et du stride, ce qui est essentiel pour la conception et l'organisation des couches dans un CNN.

4. Quand la formule pour calculer la dimension de la sortie d'une convolution 2D avec padding, stride et filtre a-t-elle été publiée ou établie pour la première fois dans la littérature scientifique ?

A. Dans les années 1990-2000

B. Dans les années 2010

C. Dans les années 1980

D. En 2020

Answer: (A)

Erklärung

La formule pour la dimension de la sortie d'une convolution 2D avec padding, stride et filtre a été formalisée et publiée dans la littérature scientifique principalement dans les années 1990-2000, lors de la formalisation des CNN et de leur compréhension mathématique.

5. En quoi la convolution et le partage de paramètres diffèrent-ils ou se ressemblent-ils dans un CNN ?

A. La convolution ne partage pas ses paramètres, contrairement au partage de paramètres qui concerne la réduction du nombre de filtres.

B. La convolution est une opération mathématique locale utilisant un filtre, alors que le partage de paramètres désigne la réutilisation du même filtre dans toute la convolution.

C. La convolution consiste à appliquer un filtre unique à toute l’image, tandis que le partage de paramètres signifie que ce même filtre est utilisé à plusieurs endroits.

D. La convolution applique plusieurs filtres différents, chacun avec ses propres paramètres, tandis que le partage de paramètres concerne la réutilisation d’un seul filtre sur toute l’image.

Answer: (B)

Erklärung

La convolution est une opération mathématique appliquée à l’entrée en utilisant un ou plusieurs filtres pour extraire des motifs locaux. Le partage de paramètres concerne la réutilisation du même filtre (ensemble de coefficients) à plusieurs endroits de l’image, ce qui limite le nombre total de paramètres à apprendre et facilite la généralisation. La différence principale est que la convolution décrit l’opération elle-même, tandis que le partage de paramètres est une propriété de cette opération, permettant de réduire la complexité du modèle.

6. Qui a formulé ou popularisé la technique de padding zéro dans le contexte des CNN ?

A. Aucun auteur spécifique, c'est une technique standard en traitement d'images

B. Karen Simonyan et Andrew Zisserman, avec VGG

C. Alex Krizhevsky, dans la conception d'AlexNet

D. Yann LeCun, pour ses travaux sur le CNN LeNet-5

Answer: (A)

Erklärung

Le padding zéro est une technique standard en traitement d'images et dans la conception des CNN, utilisée pour contrôler la taille des tenseurs en convolution. Elle n'est pas attribuée à un auteur ou une œuvre spécifique, mais fait partie des méthodes classiques adoptées dans le domaine.

7. Quelle est la cause principale de la réduction dimensionnelle dans une convolution lorsqu'on augmente le paramètre stride ?

A. L'augmentation du padding autour de l'image

B. L'augmentation du nombre de filtres appliqués

C. L'augmentation de la distance entre deux positions du filtre

D. La diminution de la taille du filtre utilisé

Answer: (C)

Erklärung

L'augmentation du stride augmente la distance entre deux positions du filtre, ce qui limite le nombre de positions où le filtre peut être appliqué, entraînant une réduction de la taille de la sortie.

8. Comment appliquer le pooling dans un CNN pour réduire la dimension d'une carte de caractéristiques ?

A. Ajouter un padding de 1 autour de la carte pour augmenter sa taille

B. Appliquer un max-pooling 2x2 avec stride 2 pour réduire la taille de moitié

C. Utiliser un filtre moyenne 5x5 avec stride 1 pour lisser la carte

D. Utiliser un filtre de convolution 3x3 avec stride 1 pour extraire des caractéristiques

Answer: (B)

Erklärung

L'application du max-pooling 2x2 avec stride 2 est une méthode standard pour réduire la dimension d'une carte de caractéristiques de moitié tout en conservant les éléments saillants, ce qui facilite la réduction de la complexité du modèle et la détection de motifs invariants.

9. Quelle est la caractéristique principale du partage de paramètres dans une couche convolutionnelle ?

A. Utilisation d'un seul filtre appliqué à plusieurs régions de l'entrée

B. Augmentation du nombre total de paramètres pour améliorer la capacité du modèle

C. Suppression de l'utilisation de filtres pour réduire la complexité du modèle

D. Application de filtres différents à chaque position pour une meilleure diversité

Answer: (A)

Erklärung

Le partage de paramètres consiste à appliquer un même filtre (ensemble de poids) à différentes régions de l'entrée, ce qui limite le nombre total de paramètres à apprendre. Cela permet une détection cohérente des motifs locaux à travers toute l'image, contrairement à une couche entièrement connectée où chaque poids est unique et spécifique à chaque connexion.

10. Quelle est la définition d'une architecture célèbre CNN dans le contexte de la vision par ordinateur ?

A. Un algorithme d'optimisation spécifique utilisé pour entraîner les CNN efficacement.

B. Un type de réseau de neurones entièrement connecté utilisé pour la classification d'images sans convolution.

C. Une méthode d'augmentation de données pour améliorer la généralisation des CNN.

D. Un modèle de réseau de neurones convolutifs reconnu pour ses performances et son impact historique, comme LeNet-5, AlexNet ou VGG-16.

Answer: (D)

Erklärung

Une architecture célèbre CNN est un modèle reconnu pour ses performances et son impact dans la recherche en vision par ordinateur, comme LeNet-5, AlexNet ou VGG-16, qui ont marqué l'évolution des réseaux convolutifs.

11. Quelle technique de visualisation des filtres dans un CNN a été popularisée par Zeiler et Fergus en 2014 ?

A. Utilisation de techniques de réduction de dimension pour projeter les filtres dans un espace 2D

B. Analyse statistique des activations pour comprendre la réponse des filtres

C. Visualisation directe des poids du filtre dans la première couche

D. Utilisation de techniques de déconvulation pour visualiser les motifs activés par chaque filtre

Answer: (D)

Erklärung

Zeiler et Fergus (2014) ont introduit une méthode de déconvulation pour visualiser les motifs que chaque filtre apprend à détecter dans un CNN, ce qui a permis d'interpréter le fonctionnement interne du réseau. Les autres options sont des méthodes plausibles mais ne correspondent pas à cette contribution spécifique.

12. Quel est le rôle principal de l'apprentissage de représentations dans un réseau convolutionnel ?

A. Permettre au réseau de reconnaître directement les objets sans étape d'extraction de caractéristiques

B. Faciliter la classification en utilisant des caractéristiques pré-calculées manuellement

C. Extraire automatiquement des caractéristiques pertinentes à partir des données brutes pour améliorer la compréhension et la classification

D. Réduire la taille des images d'entrée pour accélérer le traitement

Answer: (C)

Erklärung

L'apprentissage de représentations dans un CNN consiste à permettre au réseau d'extraire automatiquement des caractéristiques pertinentes à partir des données brutes, ce qui facilite la compréhension et la classification des images. Les autres options évoquent des idées incorrectes ou non liées à la fonction principale de l'apprentissage de représentations.