Réseaux Neuronaux Convolutionnels (CNN)
Les Réseaux Neuronaux Convolutionnels, communément appelés CNN (de l’anglais Convolutional Neural Networks) ou parfois ConvNets, constituent une classe spécialisée de réseaux de neurones artificiels conçus principalement pour traiter des données structurées sous forme de grille, telles que les images et les vidéos. Ils appartiennent au domaine plus large de l’apprentissage profond (Deep Learning) et sont devenus l’outil de référence pour de nombreuses tâches de vision par ordinateur.
Les concepts fondamentaux et les principes essentiels des CNN reposent sur l’idée d’exploiter la structure spatiale locale des données. Contrairement aux réseaux de neurones classiques (comme les perceptrons multicouches) où chaque neurone d’une couche est connecté à tous les neurones de la couche précédente, les CNN utilisent des opérations spécifiques pour traiter les informations spatiales de manière plus efficace. Le composant clé est la couche de convolution. Cette couche applique des filtres (aussi appelés noyaux ou kernels), qui sont de petites matrices de poids, sur différentes zones locales de l’entrée (par exemple, une petite fenêtre de pixels dans une image). Chaque filtre est conçu pour détecter des caractéristiques spécifiques, comme des bords, des coins ou des textures. En faisant glisser (convoluer) ces filtres sur toute l’entrée, la couche génère des « cartes de caractéristiques » (feature maps) qui indiquent la présence et la localisation de ces caractéristiques. Un principe essentiel ici est le partage de poids : le même filtre est utilisé sur toute l’image, ce qui réduit considérablement le nombre de paramètres à apprendre par rapport à un réseau entièrement connecté et rend le réseau intrinsèquement invariant aux translations (la position d’une caractéristique dans l’image importe moins). Une autre composante typique est la couche de pooling (ou mise en commun, sous-échantillonnage). Son rôle est de réduire la dimension spatiale des cartes de caractéristiques (largeur et hauteur), ce qui diminue la charge de calcul et contrôle le surapprentissage (overfitting). Le pooling rend également le modèle plus robuste aux petites variations spatiales des caractéristiques. Le type de pooling le plus courant est le Max Pooling, qui sélectionne la valeur maximale dans une petite fenêtre locale. Enfin, les CNN incluent généralement des fonctions d’activation non linéaires (comme ReLU – Rectified Linear Unit) après les couches de convolution pour introduire de la non-linéarité, permettant au réseau d’apprendre des relations plus complexes. L’architecture typique d’un CNN consiste en une succession de blocs de convolution et de pooling, suivis par une ou plusieurs couches entièrement connectées (Fully Connected layers) à la fin, qui utilisent les caractéristiques extraites de haut niveau pour effectuer la tâche finale, comme la classification d’images ou la détection d’objets.
L’importance et la pertinence des CNN sont immenses, particulièrement dans le domaine de la vision par ordinateur où ils ont révolutionné l’état de l’art. Avant les CNN, l’extraction de caractéristiques pertinentes à partir d’images nécessitait souvent une ingénierie manuelle complexe et spécifique au domaine (feature engineering). Les CNN automatisent ce processus d’extraction de caractéristiques de manière hiérarchique : les premières couches apprennent des caractéristiques simples (bords, couleurs), tandis que les couches plus profondes combinent ces caractéristiques pour en détecter de plus complexes (formes, objets, visages). Ce passage à l’apprentissage automatique des caractéristiques a permis des avancées spectaculaires en termes de précision et de capacité de généralisation sur des tâches visuelles complexes. Leur succès a été un moteur majeur de la récente vague d’intérêt et d’investissement dans l’intelligence artificielle et l’apprentissage profond. L’impact des CNN s’étend au-delà de la recherche académique, transformant des industries entières, de la santé à l’automobile en passant par le divertissement et la sécurité.
Les applications pratiques des CNN sont nombreuses et variées. L’une des utilisations les plus courantes est la classification d’images, où le CNN attribue une étiquette (par exemple, « chat », « chien », « voiture ») à une image entière. Des systèmes comme Google Photos ou Facebook utilisent des CNN pour organiser et identifier automatiquement le contenu des images. Une autre application majeure est la détection d’objets, qui consiste non seulement à classifier les objets présents dans une image, mais aussi à les localiser précisément à l’aide de boîtes englobantes (bounding boxes). Ceci est crucial pour les véhicules autonomes afin d’identifier les piétons, les autres véhicules et les panneaux de signalisation. La segmentation sémantique va plus loin en classifiant chaque pixel de l’image, permettant une compréhension fine de la scène, utilisée par exemple en imagerie médicale pour délimiter des tumeurs ou des organes. Les CNN sont également utilisés pour l’analyse de vidéos (reconnaissance d’actions), la reconnaissance faciale, la génération d’images (avec des architectures comme les GANs, qui utilisent souvent des CNN), la restauration d’images (amélioration de la résolution, suppression du bruit), et même dans certains domaines du traitement du langage naturel (NLP), bien que les architectures basées sur les Transformers soient maintenant plus dominantes pour le texte. En médecine, ils aident au diagnostic à partir de radiographies, d’IRM ou de scanners.
Il existe différentes nuances et variations dans les architectures CNN. Les premiers modèles comme LeNet-5 (Yann LeCun et al., 1998) étaient relativement simples. La percée est venue avec AlexNet (2012), qui a remporté le défi ImageNet en utilisant une architecture plus profonde, des GPU pour l’entraînement et des techniques comme ReLU et Dropout. Depuis lors, de nombreuses architectures plus profondes et plus complexes ont été proposées : VGGNet (avec des filtres 3×3 empilés), GoogLeNet (avec des modules « Inception » pour capturer des caractéristiques à différentes échelles) et ResNet (Residual Networks, introduisant des connexions résiduelles ou « skip connections » pour faciliter l’entraînement de réseaux très profonds). D’autres variations incluent DenseNet (où chaque couche est connectée à toutes les couches suivantes), EfficientNet (qui optimise systématiquement la profondeur, la largeur et la résolution) ou des architectures spécialisées comme U-Net pour la segmentation biomédicale. Plus récemment, des architectures hybrides ou alternatives comme les Vision Transformers (ViT), inspirées des succès des Transformers en NLP, commencent à concurrencer les CNN sur certaines tâches de vision, bien que les CNN restent très pertinents et souvent plus efficaces pour de nombreuses applications, notamment celles nécessitant une bonne gestion de la localité spatiale avec moins de données.
Plusieurs concepts sont étroitement liés aux CNN. Ils sont une sous-catégorie des Réseaux de Neurones Artificiels (ANN) et de l’Apprentissage Profond (Deep Learning). Ils s’inscrivent dans le cadre plus large de l’Apprentissage Automatique (Machine Learning). La Vision par Ordinateur (Computer Vision) est le domaine d’application principal où les CNN excellent. Des concepts techniques comme la Rétropropagation (Backpropagation) et la Descente de Gradient (Gradient Descent) sont fondamentaux pour leur entraînement. Le terme synonyme le plus courant est « ConvNet ». Il n’y a pas d’antonyme direct, mais on peut les contraster avec d’autres architectures de réseaux de neurones comme les Réseaux Neuronaux Récurrents (RNN), qui sont spécialisés dans le traitement de données séquentielles (texte, séries temporelles), ou les Perceptrons Multicouches (MLP), qui ne tiennent pas compte nativement de la structure spatiale des données.
L’origine des CNN remonte aux années 1980 avec le Neocognitron de Kunihiko Fukushima, inspiré par les travaux de Hubel et Wiesel sur le cortex visuel humain. Yann LeCun et ses collaborateurs ont ensuite développé les premiers CNN modernes, notamment LeNet-5, appliqué avec succès à la reconnaissance de chiffres manuscrits. Cependant, les CNN n’ont connu une adoption massive qu’à partir de 2012, lorsque AlexNet a considérablement amélioré les performances sur le benchmark ImageNet, grâce à la disponibilité de grands jeux de données (comme ImageNet lui-même) et à la puissance de calcul accrue fournie par les processeurs graphiques (GPU). Depuis lors, l’évolution a été rapide, avec des architectures de plus en plus profondes, efficaces et performantes.
Les avantages des CNN sont nombreux. Leur principal atout est leur capacité à apprendre automatiquement des hiérarchies de caractéristiques pertinentes directement à partir des données brutes (pixels), éliminant le besoin d’une ingénierie manuelle des caractéristiques. Le partage de poids dans les couches de convolution les rend très efficaces en termes de nombre de paramètres par rapport aux réseaux entièrement connectés, ce qui facilite l’entraînement et réduit le risque de surapprentissage sur les données spatiales. L’invariance (ou équivariance) aux translations est une propriété inductive très utile pour les tâches visuelles. Ils atteignent des performances de pointe sur une vaste gamme de tâches de vision par ordinateur. Cependant, les CNN présentent aussi des inconvénients et des défis. Ils nécessitent généralement de grandes quantités de données étiquetées pour l’entraînement, ce qui peut être coûteux et difficile à obtenir. L’entraînement de modèles profonds est très gourmand en ressources de calcul (temps et énergie), nécessitant souvent des GPU ou des TPU spécialisés. Comme beaucoup de modèles d’apprentissage profond, les CNN sont souvent considérés comme des « boîtes noires » : il peut être difficile d’interpréter pourquoi ils prennent une décision spécifique, ce qui pose problème dans des domaines critiques comme le médical ou la conduite autonome. Ils peuvent être sensibles aux hyperparamètres (architecture du réseau, taux d’apprentissage, etc.) et leur optimisation peut être complexe. Enfin, bien que robustes à certaines variations, ils peuvent être vulnérables aux attaques adverses (adversarial attacks), où des perturbations infimes et imperceptibles à l’œil humain peuvent entraîner des erreurs de classification grossières.