Convolutional Neural Network (CNN)
Un Convolutional Neural Network (CNN) est une architecture d'apprentissage profond qui applique des filtres à poids partagés appris sur les patches locaux des données d'entrée — le plus souvent des images — pour détecter les caractéristiques spatiales hiérarchiques telles que les bords, les textures et les objets.
Un CNN empile trois types principaux de couches : les couches de convolution qui font glisser des petits filtres sur l'entrée pour produire des cartes de caractéristiques, des fonctions d'activation non-linéaires (typiquement ReLU) appliquées élément par élément, et des couches de regroupement qui sous-échantillonnent les cartes de caractéristiques pour réduire la résolution spatiale et fournir une invariance translationnelle. Dans un CNN profond, les couches précoces détectent des caractéristiques de bas niveau telles que les bords et les coins, tandis que les couches plus profondes les combinent en concepts sémantiques de haut niveau tels que les visages ou les véhicules.
La propriété de partage de poids des convolutions est l'insight clé d'efficacité : le même filtre est appliqué à chaque localisation spatiale, réduisant drastiquement le nombre de paramètres par rapport aux couches entièrement connectées sur la même entrée. Un filtre de convolution 3×3 sur une image RGB a seulement 27 poids indépendamment de la taille de l'image, alors qu'un neurone entièrement connecté sur une image 224×224 nécessiterait plus de 150 000 connexions. Ce biais inductif vers les motifs spatiaux locaux rend également les CNNs efficaces en échantillons sur les données structurées en images.
Les CNNs ont produit des résultats importants qui ont entraîné l'ère moderne du deep learning. AlexNet (Krizhevsky et al., 2012) a considérablement surpassé les méthodes traditionnelles de vision par ordinateur sur ImageNet, déclenchant l'adoption généralisée des réseaux profonds. Les architectures suivantes — VGG (2014), ResNet (2015, introduisant les connexions de saut pour entraîner des réseaux de 100 couches), EfficientNet (2019) et ConvNeXt (2022) — ont poussé la précision plus loin. Les CNNs sont également l'épine dorsale de la détection d'objets (série YOLO, Faster R-CNN), de la segmentation d'images (U-Net pour l'imagerie médicale) et des systèmes d'analyse vidéo.
En 2026, les CNNs coexistent avec les Vision Transformers (ViT) et les architectures hybrides. Les modèles basés sur l'attention pure dominent plusieurs benchmarks, mais les CNNs restent préférés pour l'inférence mobile en temps réel, l'imagerie médicale, l'imagerie satellite et l'inspection industrielle en raison de leur efficacité computationnelle. ConvNeXt V2 et FastViT exemplifient le raffinement continu des conceptions convolutionnelles, et les épines dorsales CNN restent intégrées dans les systèmes de production chez Google, Meta et NVIDIA.