« Module Inception » : différence entre les versions

Version du 18 novembre 2023 à 18:06

Définition

Dans un réseau de neurones convolutif, un module Inception permet de tester plusieurs configurations de convolution avec des filtres de tailles multiples (1×1, 3×3 ou 5×5) sur le même niveau à travers des convolutions en parallèle, et ce, de façon à améliorer les performances des réseaux de neurones profonds à la fois en matière de rapidité et de précision.

Compléments

Un module Inception a été créé pour la première fois en 2014 par une équipe de Google dans l'architecture d'un réseau de neurones convolutif appelée Inception.

Français

module Inception

Anglais

Inception module

Source : DeepAI.org

Source : Khouloud Dahmane. Analyse d’images par méthode de Deep Learning appliquée au contexte routier en conditions météorologiques dégradées. Vision par ordinateur et reconnaissance de formes. Université Clermont Auvergne, 2020. Français. ffNNT : 2020CLFAC020. tel-03022934f

Source: arxiv - Going Deeper with Convolutions

@@ Ligne 1 : / Ligne 1 : @@
 == Définition ==
-Dans un [[réseau de neurones convolutifs]], un module Inception permet de tester plusieurs configurations de [[convolution]] avec des filtres de tailles multiples (1×1, 3×3 ou 5×5) sur le même niveau à travers des convolutions en parallèle, et ce, de façon à améliorer les performances des réseaux de neurones profonds à la fois en matière de rapidité et de précision.
+Dans un [[réseau de neurones convolutif]], un module Inception permet de tester plusieurs configurations de [[convolution]] avec des filtres de tailles multiples (1×1, 3×3 ou 5×5) sur le même niveau à travers des convolutions en parallèle, et ce, de façon à améliorer les performances des réseaux de neurones profonds à la fois en matière de rapidité et de précision.
+==Compléments==
+Un module Inception a été créé pour la première fois en 2014 par une équipe de Google dans l'architecture d'un réseau de neurones convolutif appelée ''Inception''.
 == Français ==
 '''module Inception'''
@@ Ligne 14 : / Ligne 17 : @@
 [https://tel.archives-ouvertes.fr/tel-03022934/document  Source : Khouloud Dahmane. ''Analyse d’images par méthode de Deep Learning appliquée au contexte routier en conditions météorologiques dégradées''. Vision par ordinateur et reconnaissance de formes. Université Clermont Auvergne, 2020. Français. ffNNT : 2020CLFAC020. tel-03022934f]
+[https://arxiv.org/abs/1409.4842 Source: arxiv - ''Going Deeper with Convolutions'']
 [[Catégorie:GRAND LEXIQUE FRANÇAIS]]