Quelles stratégies d’implémentation pour les réseaux de neurones ?

Les stratégies d’implémentation des RNA révèlent des performances surprenantes dans la détection de véhicules, avec des résultats atteignant 89% de précision. Cette étude critique les approches traditionnelles, offrant des solutions innovantes pour améliorer la sécurité routière et transformer notre compréhension de la vision par ordinateur.

Réseaux de neurones artificiels (RNA)

Qu’est-ce qu’un réseau de neurones artificiel

Un réseau de neurones artificiel est un modèle de calcul dont la conception est très schématiquement inspirée du fonctionnement de vrais neurones. Il est constitué d’un très grand nombre de petites unités de traitement identiques appelées neurones artificiels.

[KHODJA, 2011]

Il peut être caractérisé par :

1. La nature de ses entrées (x1, x2, …, xi, …, xn), qui peuvent être les entrées du réseau ou les sorties d’autres neurones du même réseau.
2. La fonction d’entréetotale définissant le prétraitement (combinaison linéaire) effectué sur les entrées comme ∑ Wi. xi +b, dont Wi est le poids synaptique attaché à l’entrée i et le b désigne le seuil d’activation (biais).
3. Sa fonction d’activation, ou d’état f, définissant l’état interne du neurone en fonction de son entrée totale. Cette fonction peut prendre plusieurs formes.
4. Sa fonction de sortie calculant la sortie du neurone en fonction de son état d’activation.

[Bendaoud, 2014]

Le but est de concevoir des machines capables de non d’imiter, mais de se rapprocher au maximum du comportement de l’intelligence dont disposent les êtres humains, d’où la notion de « Intelligence Artificielle ». [Gana, 2016]

Les couches des réseaux de neurones artificiels

Un RNA est généralement organisé en trois couches :

• Une couche d’entrée : Elle est constituée de l’ensemble des variables d’entrée.
• Une ou plusieurs couches cachées : Ce sont les couches qui se trouvent entre la couche d’entrée et la couche de sortie. Elles définissent l’activité interne du réseau. En général, les fonctions d’activations sont non linaires au niveau de ces couches.
• Une couche de sortie : Elle est constituée de l’ensemble des neurones de sortie du réseau. C’est cette couche-là qui fournit les sorties principales. [Oukacine, 2012]

[7_strategies-implementation-des-reseaux-de-neurones_11]

Figure 13: Organisation en couches d’un réseau de neurones artificiel. [Wikipédia]

Pour concevoir un réseau de neurones, quatre types de connexions entre les neurones doivent être établi : directe, récurrente, latérale et à délais.

Tous les réseaux de neurones utilisent la connexion directe pour acheminer l’information de l’entrée vers la sortie. La connexion récurrente permet d’acheminer l’information de la sortie des neurones des couches supérieures vers les entrées des neurones précédents.

Les réseaux de neurones qui doivent choisir un neurone gagnant utilisent la connexion latérale pour établir une relation entre les neurones de sortie et la maintenir. Finalement, les problèmes temporels sont résolus par les modèles de réseaux dynamiques avec des connexions à délais. [Chaoui, 2002]

Les types des réseaux de neurones artificiels

Les réseaux de neurones peuvent se diviser en réseaux sans couches cachées et réseaux avec une ou plusieurs couches cachées.

• Le perceptron monocouche : est la forme la plus simple d’un réseau de neurones, il modélise la perception visuelle. L’apprentissage du perceptron peut se faire avec plusieurs méthodes déjà utilisées, il n’y a qu’une seule couche de poids modifiables entre les cellules d’association et les cellules de décision. Le perceptron est limité dans ses applications. Premièrement, il ne peut être applicable que dans la classification dont les variables sont linéairement séparables et deuxièmement la sortie ne peut être que 0 ou

1. Il ne dispose que de deux couches : une couche d’entrée et une couche de sortie.

[7_strategies-implementation-des-reseaux-de-neurones_12]

Figure 14: Perceptron monocouche i. [Bisimwa, 2011]

• Le perceptron multicouche : cette classe est la plus importante des réseaux de neurones car elle représente la généralisation du perceptron monocouche avec une fonction d’activation de type sigmoïde et une ou plusieurs couches cachées. Le vecteur d’entrée se propage dans le réseau de couche en couche jusqu’à la sortie, l’entraînement de celui-ci se fait avec l’algorithme par la rétropropagation de l’erreur. Ce réseau peut comporter une ou plusieurs couches cachées et un plus grand nombre de connexions permettant de résoudre la majorité des problèmes. [Chaoui, 2002]

[7_strategies-implementation-des-reseaux-de-neurones_13]

Figure 15: Perceptron multicouche. [Bisimwa, 2011]

Questions Fréquemment Posées

Qu’est-ce qu’un réseau de neurones artificiel ?

Un réseau de neurones artificiel est un modèle de calcul inspiré du fonctionnement de vrais neurones, constitué d’un grand nombre de petites unités de traitement appelées neurones artificiels.

Quels sont les types de réseaux de neurones artificiels ?

Les réseaux de neurones peuvent se diviser en réseaux sans couches cachées et réseaux avec une ou plusieurs couches cachées, tels que le perceptron monocouche et le perceptron multicouche.

Comment est organisé un réseau de neurones artificiel ?

Un RNA est généralement organisé en trois couches : une couche d’entrée, une ou plusieurs couches cachées, et une couche de sortie.