« Couche de sous-échantillonnage » : différence entre les versions
Aucun résumé des modifications Balise : Éditeur de wikicode 2017 |
m (Remplacement de texte : « Category:Termino 2019 » par « ») |
||
| (5 versions intermédiaires par 2 utilisateurs non affichées) | |||
| Ligne 1 : | Ligne 1 : | ||
==Définition== | ==Définition== | ||
Couche d'un réseau convolutif permettant d'ajouter de l'invariance spatiale tout en réduisant la dimension des données. | Couche d'un réseau convolutif permettant d'ajouter de l'invariance spatiale tout en réduisant la dimension des données par [[sous-échantillonnage]]. | ||
==Français== | ==Français== | ||
'''couche de sous-échantillonnage''' | '''couche de sous-échantillonnage''' | ||
==Anglais== | ==Anglais== | ||
'''pooling layer''' | '''pooling layer''' | ||
==Sources== | |||
Source: Damien Fourure. ''Réseaux de neurones convolutifs pour la segmentation sémantique et l’apprentissage d’invariants de couleur''. Vision par ordinateur et reconnaissance de formes [cs.CV]. Université de Lyon, 2017. Français. NNT : 2017LYSES056 . | Source: Damien Fourure. ''Réseaux de neurones convolutifs pour la segmentation sémantique et l’apprentissage d’invariants de couleur''. Vision par ordinateur et reconnaissance de formes [cs.CV]. Université de Lyon, 2017. Français. NNT : 2017LYSES056 . | ||
| Ligne 21 : | Ligne 20 : | ||
[[Category:Intelligence artificielle]] | [[Category:Intelligence artificielle]] | ||
[[Category:Apprentissage profond]] | [[Category:Apprentissage profond]] | ||
[[Category:GRAND LEXIQUE FRANÇAIS]] | [[Category:GRAND LEXIQUE FRANÇAIS]] | ||
Dernière version du 11 octobre 2024 à 08:32
Définition
Couche d'un réseau convolutif permettant d'ajouter de l'invariance spatiale tout en réduisant la dimension des données par sous-échantillonnage.
Français
couche de sous-échantillonnage
Anglais
pooling layer
Sources
Source: Damien Fourure. Réseaux de neurones convolutifs pour la segmentation sémantique et l’apprentissage d’invariants de couleur. Vision par ordinateur et reconnaissance de formes [cs.CV]. Université de Lyon, 2017. Français. NNT : 2017LYSES056 .
source: Claude Coulombe, Datafranca.org
Source: Remi Delassus. Apprentissage automatique pour la détection d’anomalies dans les données ouvertes : application à la cartographie. Traitement des images [eess.IV]. Université de Bordeaux, 2018. Français. NNT : 2018BORD0230 . tel-02100741
Contributeurs: Claude Coulombe, Jacques Barolet, Julie Roy, Patrick Drouin, wiki
