« Sous-échantillonnage par valeur maximale » : différence entre les versions

Version du 13 mai 2019 à 22:49

Domaine

Intelligence artificielle
Apprentissage automatique
Réseau de neurones artificiels
Apprentissage profond

Définition

Le sous-échantillonnage par le maximum (en anglais max-pooling) est une technique utilisée au niveau des couches de partage (pooling layers) des réseaux de neurones convolutifs (RNC) (en anglais Convolutional Neural Networks, CNN) pour sous-échantillonner les données afin de réduire le nombre de paramètres, la quantité de calculs et par conséquent le sur-ajustement (overfitting). Plus précisément, le sous-échantillonnage par le maximum consiste à réduire la dimension des données en ne conservant l’information la plus importante. Par exemple, dans le cas d'une image, la technique de sous-échantillonnage par le maximum ne retiendra que le pixel du voisinage qui a la plus forte intensité.

Français

sous-échantillonnage par le maximum

max-pooling

Anglais

Max-Pooling

@@ Ligne 1 : / Ligne 1 : @@
 == Domaine ==
-[[Category:Vocabulary]]<br>
 [[Category:Intelligence artificielle]]Intelligence artificielle<br>
 [[Catégorie:Apprentissage automatique]]Apprentissage automatique<br>
 [[Catégorie:Réseau de neurones artificiels]]Réseau de neurones artificiels<br>
 [[Catégorie:Apprentissage profond]]Apprentissage profond<br>
-[[Category:Coulombe]]Coulombe<br>
+[[Category:Coulombe]]
 [[Catégorie:Scotty]]<br>
@@ Ligne 13 : / Ligne 12 : @@
 == Français ==
-<poll>
+''' sous-échantillonnage par le maximum'''
-Choisissez parmi ces termes proposés :
- sous-échantillonnage par le maximum
+''' max-pooling'''
- max-pooling
-</poll>
 == Anglais ==
@@ Ligne 23 : / Ligne 21 : @@
 '''Max-Pooling'''
-A pooling operations typically used in Convolutional Neural Networks. A max-pooling layer selects the maximum value from a patch of features. Just like a convolutional layer, pooling layers are parameterized by a window (patch) size and stride size. For example, we may slide a window of size 2×2 over a 10×10 feature matrix using stride size 2, selecting the max across all 4 values within each window, resulting in a new 5×5 feature matrix. Pooling layers help to reduce the dimensionality of a representation by keeping only the most salient information, and in the case of image inputs, they provide basic invariance to translation (the same maximum values will be selected even if the image is shifted by a few pixels). Pooling layers are typically inserted between successive convolutional layers.