« Sous-échantillonnage » : différence entre les versions
m (Remplacement de texte : « ↵<small> » par « ==Sources== ») |
Aucun résumé des modifications |
||
| Ligne 1 : | Ligne 1 : | ||
==Définition== | ==Définition== | ||
Processus qui consiste à remplacer les valeurs contenues dans une fenêtre d'observation (l'échantillon) par une valeur unique calculée à partir des valeurs de l'échantillon selon une règle prédéterminée. | Processus qui consiste à remplacer les valeurs contenues dans une fenêtre d'observation (l''''[[échantillon]]''') par une valeur unique calculée à partir des valeurs de l'échantillon selon une règle prédéterminée. | ||
Cette règle à la base du sous-échantillonnage peut être de différentes natures, mais les types les plus utilisés sont le [[sous-échantillonnage par valeur maximale|sous-'''échantillonnage par valeur maximale''']] ''(Max Pooling)'' et le [[sous-échantillonnage par valeur moyenne|'''sous-échantillonnage par valeur moyenne''']] ''(Average Pooling)''. | Cette règle à la base du sous-échantillonnage peut être de différentes natures, mais les types les plus utilisés sont le [[sous-échantillonnage par valeur maximale|sous-'''échantillonnage par valeur maximale''']] ''(Max Pooling)'' et le [[sous-échantillonnage par valeur moyenne|'''sous-échantillonnage par valeur moyenne''']] ''(Average Pooling)''. | ||
| Ligne 8 : | Ligne 7 : | ||
En vision artificielle, cela permet de rajouter de l’invariance spatiale lors de l’extraction d'attributs visuels tout en réduisant la dimension des données. | En vision artificielle, cela permet de rajouter de l’invariance spatiale lors de l’extraction d'attributs visuels tout en réduisant la dimension des données. | ||
Voir [[ | Voir [[Couche de sous-échantillonnage]] | ||
==Français== | ==Français== | ||
| Ligne 28 : | Ligne 27 : | ||
==Sources== | ==Sources== | ||
[https://stanford.edu/~shervine/l/fr/teaching/cs-230/pense-bete-reseaux-neurones-convolutionnels Source : Amidi, Shervine et Afshine Amidi, ''Pense-bête de réseaux de neurones convolutionnels''.] | |||
Source: Google, '' Machine learning glossary''. | [https://developers.google.com/machine-learning/glossary?hl=fr Source : Google, ''Machine learning glossary''.] | ||
Source: Goodfellow, Bengio, Courville p.344, ''L'Apprentissage profond''. | Source : Goodfellow, Bengio, Courville p.344, ''L'Apprentissage profond''. | ||
[[Category:Intelligence artificielle]] | [[Category:Intelligence artificielle]] | ||
[[Category:Termino 2019]] | [[Category:Termino 2019]] | ||
[[Category:GRAND LEXIQUE FRANÇAIS]] | [[Category:GRAND LEXIQUE FRANÇAIS]] | ||
Version du 31 janvier 2024 à 22:16
Définition
Processus qui consiste à remplacer les valeurs contenues dans une fenêtre d'observation (l'échantillon) par une valeur unique calculée à partir des valeurs de l'échantillon selon une règle prédéterminée.
Cette règle à la base du sous-échantillonnage peut être de différentes natures, mais les types les plus utilisés sont le sous-échantillonnage par valeur maximale (Max Pooling) et le sous-échantillonnage par valeur moyenne (Average Pooling).
Compléments
En vision artificielle, cela permet de rajouter de l’invariance spatiale lors de l’extraction d'attributs visuels tout en réduisant la dimension des données.
Voir Couche de sous-échantillonnage
Français
sous-échantillonnage
ré-échantillonnage
rééchantillonnage
mise en commun
Anglais
pooling
subsampling
resampling
Sources
Source : Amidi, Shervine et Afshine Amidi, Pense-bête de réseaux de neurones convolutionnels.
Source : Google, Machine learning glossary.
Source : Goodfellow, Bengio, Courville p.344, L'Apprentissage profond.
Contributeurs: Evan Brach, Claude Coulombe, Jacques Barolet, Patrick Drouin, wiki
