Partie I
Chapitre III : Méthodes de traitement des données de télédétection
46
III.2.2.3 Réseau des Neurones Convolutifs (Convolutional Neural Network – CNN)
Convolutional Neural Network (CNN) ou les réseaux de neurones convolutifs (Lecun et
al., 1998), est le principal modèle de Deep Learning, qui est adopté dans un large éventail
d'aspects du traitement d'images (LeCun et al., 2015).
Avant de comprendre le fonctionnement du CNN, il faut d’abord rappeler le principe des
réseaux de neurones. Ces derniers sont inspirés de la structure du neurone humain, dans lequel
l'intelligence est stockée dans les voies neuronales et dans la mémoire. L'unité de calcul de base
du cerveau est le neurone. Chaque neurone reçoit des signaux d'entrée de ses dendrites et
produit des signaux de sortie le long de son axone. L'axone se ramifie et se connecte via des
synapses aux dendrites des autres neurones (figure III.6).
Dans un réseau de neurones artificiels, les connaissances sont stockées sous forme de
matrice des poids appliqués à un nœud, c'est-à-dire, sous forme de valeurs multiplicatives
appliquées aux entrées d’un neurone. Le neurone reçoit et intègre des signaux par une opération
de multiplication des valeurs d’entrées X avec une matrice de poids W. ensuite, une fonction
d’activation f est appliquée sur la valeur d’intégration avant de l’envoyer au prochain neurone.
Sa structure profonde en une série de couches permet au modèle de CNN de capturer et de
généraliser les mécanismes de filtrage de signaux en effectuant des convolutions dans le
domaine de l'image, ce qui permet d'obtenir des caractéristiques hautement abstraites et
efficaces. (Li et al., 2018).
En général, une architecture d’un modèle de CNN se compose de trois couches clés :
- les couches de convolution ;
- les couches de regroupement (pool layer) ;
- et les couches entièrement connectées.
Figure III.6: Structure d'un Neurone (image issue de : imagesbiogeolfxm.free.fr)