CNN (Réseau de Neurones Convolutifs)

Un réseau de neurones convolutifs (CNN) est une architecture conçue pour exploiter la structure spatiale des données, en particulier des images. Plutôt que de traiter chaque pixel indépendamment, il apprend des motifs locaux (bords, textures, formes) puis les combine pour reconnaître des objets ou des concepts plus complexes.

Comment ça fonctionne

Un CNN empile généralement plusieurs types de couches :

• Convolution : des filtres (kernels) glissent sur l’image et produisent des cartes de caractéristiques en détectant des motifs. Les mêmes poids sont réutilisés partout, ce qui réduit le nombre de paramètres.
• Activation (ex. ReLU) : introduit de la non-linéarité pour modéliser des relations complexes.
• Pooling (optionnel) : réduit la résolution (downsampling) pour gagner en robustesse aux petites translations et diminuer le coût de calcul.
• Couches finales (denses ou global pooling) : agrègent les caractéristiques pour produire une prédiction (classe, score, coordonnées, etc.).

À quoi ça sert

Les CNN sont largement utilisés pour la classification d’images, la détection d’objets, la segmentation (isoler des zones), la reconnaissance de caractères (OCR) ou l’analyse d’images médicales. Ils s’appliquent aussi à des données “en grille” (audio en spectrogrammes, certaines séries temporelles).