Catégorie

Deep Learning

Catégorie

Définition de Deconvolutional Networks (réseaux neuronaux déconvolutionnaires)

⌚: 2 minutes

Les  Deconvolutional Networks  sont des réseaux neuronaux convolutifs (CNN) qui fonctionnent selon un processus inversé. Les réseaux déconvolutionnels, également connus sous le nom de réseaux neuronaux déconvolutionnels, sont de nature très similaire aux CNN fonctionnant en sens inverse, mais constituent une application distincte de l‘intelligence artificielle (IA).

Les réseaux déconvolutionnels s’efforcent de retrouver des caractéristiques ou des signaux perdus qui n’étaient pas considérés auparavant comme importants pour la tâche d’un réseau neuronal convolutionnel. Un signal peut être perdu parce qu’il a été convolué avec d’autres signaux. La déconvolution des signaux peut être utilisée à la fois pour la synthèse et l’analyse d’images.

Un réseau neuronal convolutionnel imite le fonctionnement du lobe frontal d’un cerveau biologique dans le traitement des images. Un réseau neuronal déconvolutionnel se construit vers le haut à partir des données traitées. Cette fonction inverse peut être considérée comme du reverse engineering des réseaux neuronaux convolutifs, construisant des couches capturées reconstruisant des parties de l’image entière du champ de vision artificielle.

Les réseaux déconvolutionnels sont liés à d’autres méthodes de deep learning utilisées pour l’extraction de caractéristiques à partir de données hiérarchiques, comme celles que l’on trouve dans les réseaux de croyances profondes(Deep belief network) et les codeurs automatiques à hiérarchie éparse. Les réseaux déconvolutionnels sont principalement utilisés dans les domaines d’études scientifiques et d’ingénierie.