TopAIToolsTopAITools

Glossary

0-9
2-stage detector9-layer network5G + AI0-shot learning6DoF pose estimation3D convolution8-bit quantization7D representation1-shot learning4D data
A
AlgorithmAutoencoderAGI / Artificial General IntelligenceAttentionArtificial Intelligence (AI)
B
BERTBatch NormalizationBackpropagationBiasBoosting
C
ChatbotClassifier / ClassificationCNN / Convolutional Neural NetworkCross-ValidationClustering
D
Deterministic ModelDiscriminative ModelDeepfakeData AugmentationDeep Learning
E
EpochEncoderEnsemble LearningEmbeddingExplainable AI (XAI)
F
Foundation ModelFeature ExtractionFusion / Multimodal FusionForward PropagationFine-tuning
G
GAN / Generative Adversarial NetworkGenerative AIGradient DescentGroundingGraph Neural Network (GNN)
H
HyperparameterHidden LayerHallucinationHeuristicHierarchical Model
I
Instance / SampleInstruction tuningIntelligence Amplification / AugmentationInterpretabilityImbalanced Data
J
JAXJoint EmbeddingJSONL / JSON-linesJuxtapositionJittering
K
Knowledge DistillationKL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKernel Trick
L
Large Language Model (LLM)Latent VariableLoss FunctionLearning RateLSTM / Long Short-Term Memory
M
ModelMachine Learning (ML)Meta-learningMulti-head AttentionMultimodal / Multimodality
N
Neural NetworkNovelty Detection / Anomaly DetectionNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNormalization
O
OptimizerOnline LearningObjective FunctionOverfittingOne-hot Encoding
P
ParameterPromptPolicy / Reinforcement Learning PolicyPoolingPretraining
Q
QueryQuality EstimationQuantizationQ-learningQueue / Buffer
R
Representation LearningReinforcement Learning (RL)Retrieval Augmented Generation (RAG)RegularizationRNN / Recurrent Neural Network
S
Self-Supervised LearningSupervised LearningSamplingSequence ModelingSoftmax
T
TokenizerTransfer LearningTransformerTuning / Hyperparameter TuningTraining Data
U
Unsupervised LearningUncertainty EstimationUnderfittingUniversal Approximation TheoremU-Net
V
Variational Autoencoder (VAE)Vector EmbeddingValidation SetVanishing / Exploding GradientVision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
X-axis / feature axisXOR problemXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisYield (model yield / throughput)Yoga of AIY-transform / YUVYAGNI (You Aren't Gonna Need It)
Z
Zero-shot Learning / Zero-shot inferenceZero-centric / Zero-bias initializationZ-score NormalizationZygosity in augmentationZero-gradient phenomenon

Qu'est-ce que CNN / Réseau de Neurones Convolutifs

Les Réseaux de Neurones Convolutifs (CNN) sont une catégorie de modèles d'apprentissage profond particulièrement efficaces pour la reconnaissance et le traitement d'images. L'idée fondamentale est d'imiter le fonctionnement du système visuel humain en extrayant progressivement des caractéristiques de l'image à travers plusieurs couches convolutives. Les CNN ont été introduits pour la première fois par Yann LeCun dans les années 1980 et ont gagné une attention significative après leur succès lors de la compétition ImageNet en 2012, propulsant considérablement la recherche et l'application de l'apprentissage profond.


Les CNN se composent généralement d'une couche d'entrée, de plusieurs couches convolutives, de couches de pooling, de couches entièrement connectées et d'une couche de sortie. Les couches convolutives extraient des caractéristiques locales par le biais d'opérations de convolution, tandis que les couches de pooling réduisent la dimensionnalité des caractéristiques, diminuant la complexité computationnelle tout en préservant les informations essentielles. Après plusieurs itérations de convolution et de pooling, les caractéristiques finales sont mappées vers les étiquettes de sortie via les couches entièrement connectées.


Les CNN sont largement utilisés dans des tâches de vision par ordinateur telles que la classification d'images, la détection d'objets et la segmentation d'images. Par exemple, le modèle Inception de Google et le Mask R-CNN de Facebook sont des exemples réussis basés sur les CNN. Leurs applications deviennent également de plus en plus courantes dans l'analyse d'images médicales, la conduite autonome et la surveillance vidéo.


Avec l'explosion des données et les améliorations de la puissance de calcul, les domaines d'application des CNN continueront de s'étendre. Le développement de nouvelles technologies telles que le calcul en périphérie, la réalité augmentée et la réalité virtuelle stimulera également davantage d'innovations dans les CNN. De plus, la combinaison de CNN avec des Réseaux Antagonistes Génératifs (GAN) pourrait mener à de nouvelles avancées dans les modèles génératifs.


Bien que les CNN montrent des performances exceptionnelles dans le traitement des données d'image, ils présentent également certaines limitations, telles que la nécessité de jeux de données à grande échelle et la forte consommation de ressources informatiques. De plus, le problème de l'interprétabilité des modèles reste un sujet de recherche important. Lors de l'utilisation des CNN, il est essentiel de prétraiter correctement les données afin d'améliorer la précision du modèle.