Balise : Éditeur de wikicode 2017 |
Balises : Contenu remplacé Éditeur de wikicode 2017 |
| (7 versions intermédiaires par 2 utilisateurs non affichées) |
| Ligne 1 : |
Ligne 1 : |
| == Domaine ==
| | #REDIRECTION[[Sous-échantillonnage par valeur moyenne ]] |
| [[Category:Vocabulary]]<br> | | [[Category:GRAND LEXIQUE FRANÇAIS]] |
| [[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> | |
| [[Catégorie:Scotty]]<br>
| |
| | |
| == Définition ==
| |
| | |
| Le sous-échantillonnage par la moyenne (en anglais average-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 lea moyenne consiste à réduire la dimension des données en ne conservant que l’information moyenne. Par exemple, dans le cas d'une image, la technique de sous-échantillonnage par la moyenne calculera la moyenne des intensités des pixels du voisinage (patch).
| |
| | |
| == Français ==
| |
| <h3>
| |
| <poll> Choisissez parmi ces termes proposés :
| |
| mise en commun de la moyenne
| |
| réduction moyenne
| |
| réduction par la moyenne
| |
| regroupement moyen
| |
| regroupement par la moyenne
| |
| sous-échantillonnage moyen
| |
| sous-échantillonnage par la moyenne
| |
| </poll></h3>
| |
| <h3>Discussion:</h3> Pour le moment, le terme privilégié est «sous-échantillonnage par la moyenne».
| |
| <br>
| |
| | |
| == Anglais ==
| |
| | |
| '''Average-Pooling'''
| |
| | |
| Average-Pooling is a pooling technique used in Convolutional Neural Networks for Image Recognition. It works by sliding a window over patches of features, such as pixels, and taking the average of all values within the window. It compresses the input representation into a lower-dimensional representation.
| |
