Principes et concepts des réseaux convolutifs, convolutions et paramètres associés. Toutes nos vidéos : fidle.cnrs.fr/youtube Le site de notre formation : fidle.cnrs.fr
Ah punaise, 4éme vidéo que je regarde sur les CNN et c'est véritablement la première que je comprends en totalité. Merci beaucoup pour ces explications!
Je commençais à désespérer de trouver une vidéo claire sur les réseaux convolutifs mais votre cours a répondu à toutes mes interrogations. Merci beaucoup, c'est excellent!
Je découvre votre chaine et je vous dis merci! Ma seule frustration, alors que je prenais des notes, anticipais des éléments du powerpoint en mettant sur pause pour voir si j'arrivais à les comprendre avant que l'explication ne soit donnée (ma méthode pour mieux mémoriser), et que je me retrouvais comme plongé dans un amphi il y a de nombreuses années, fut de ne pas pouvoir aller voir mon prof en fin de séance pour pouvoir l'interroger sur toutes les questions que ces informations peuvent impliquer chez un élève curieux et intéressé... Bref, ceci est un compliment car pour satisfaire cette frustation, je n'ai d'alternative que d'enchainer avec la video suivante ^^
(Je ne résiste pas malgré tout.... électronicien de formation à une époque de transition entre une électronique analogique et ses développements numériques, de la (dé) convolution analogique, je connais.... Mais j'en suis resté sur ce plan analogique. Je comprends que la matrice donnée en exemple 1 0 1/0 1 0/1 0 1 doit etre à l'image des masques que l'on peut appliquer en traitement d'un signal numérique linéaire en électronique, mais j'avoue que de penser autrement que sur autre chose que du f(temps) ou autres unités linéaires me perturbent un peu.... Question bonux: d'ou vient cette matrice? Peut on en faire une interprétation tangible en regard d'une convolution analogique? :-)
Hello, il y a petite erreur sur la diapo où l'on compte le nombre de paramètres (entre 15"30 et 17''01) : Number of parameters for a **fully connected layer**. Le compte pour un neurone convolutif est à la diapo suivante, et pour une couche de neurones convolutifs à la diapositive encore après. Encore une fois bravo pour ces explications !
Merci pour cette belle leçon. Comment passe-t-on de 3 images RVB à une seule après convolution (de Input layer à Convolutional layers) ? Je vous remercie par avance pour votre réponse.
Cela est possible grâce à l'utilisation d'un kernel de dimension adapté. Un neurone convolutif peut ainsi prendre n plans en entrée, en utilisant par exemple un kernel de taille nx3x3. Il génèrera en sortie un plan convolutif unique.
Bonjour!! Y'a un truc qui me dérange un peu. En fait les réseaux convolutionnels ont pour objectif premier d'extraire les caractéristiques des images. Cela dit, les couches denses ne sont normalement pas obligatoires (puisqu'elles font la classification). J'aimerais savoir comment voir les caractéristiques extraites à partir d'un CNN là et si possible appliquer un autre modèle (par exemple régression logistique) pour faire la classification
Désolé pour cette réponse tardive... ...et oui, un CNN va apprendre à extraire des caractéristiques des images, qui seront ensuite utilisées par une seconde partie de réseau, telle que des couches denses, qui pourront effectuer une prédiction (regression) ou une classification. Il est bien sûr possible de récupérer la valeur des plans convolutifs, mais leur interprétabilité n'est généralement pas évidente...
Non, il s'agit d'une somme pondérée, il est donc question d'un "sigma" :-) N'hésitez pas à consulter les versions plus récentes de cette partie sur notre chaine !
