Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Couches Convolutionnelles Profondes
Couches initiales d'un réseau de neurones convolutif capturant des caractéristiques de bas niveau comme les contours, textures et formes géométriques fondamentales. Ces couches sont généralement réutilisées telles quelles lors du transfer learning pour leur capacité à extraire des patterns universels.
Réseaux de Neurones Pré-entraînés
Modèles d'apprentissage profond déjà entraînés sur de vastes datasets comme ImageNet, possédant des poids optimisés pour l'extraction de caractéristiques génériques. Ces réseaux servent de base pour le transfer learning en fournissant des extracteurs de features performants.
Vecteurs de Caractéristiques
Représentations numériques multidimensionnelles produites par les couches intermédiaires d'un réseau neuronal pré-entraîné. Ces vecteurs encodent l'information sémantique essentielle des données d'entrée dans un espace compact et structuré.
Fine-Tuning Partiel
Stratégie de transfer learning où seules les couches supérieures du modèle sont réentraînées tandis que les couches inférieures restent gelées. Cette approche préserve les caractéristiques génériques tout en adaptant le modèle à la tâche cible spécifique.
Extraction de Caractéristiques Fixes
Méthode utilisant les couches inférieures d'un modèle pré-entraîné comme extracteur statique sans modification des poids durant l'entraînement. Cette technique garantit la stabilité des features extraites tout en réduisant les coûts computationnels.
Couches Inférieures du Réseau
Premières couches d'un réseau de neurones profond spécialisées dans la détection de patterns élémentaires et génériques. Ces couches capturent des caractéristiques universelles transférables entre différentes tâches et domaines d'application.
Descripteurs Visuels
Caractéristiques quantitatives extraites des images par les couches convolutives inférieures d'un modèle pré-entraîné. Ces descripteurs représentent des attributs visuels fondamentaux comme les bords, les textures et les structures géométriques.
Représentations Latentes
Encodages abstraits générés par les couches cachées d'un réseau neuronal pré-entraîné capturant l'information essentielle des données. Ces représentations servent de base pour des tâches downstream en réduisant la dimensionnalité tout en préservant la sémantique.
Features Hiérarchiques
Structure de caractéristiques organisées en niveaux d'abstraction croissante produite par les couches successives d'un réseau profond. Les couches inférieures génèrent des features de bas niveau réutilisables comme primitives pour des tâches variées.
Convolutional Feature Maps
Sorties des couches convolutives représentant des activations spatiales correspondant à la présence de patterns spécifiques. Ces cartes de caractéristiques des couches inférieures sont particulièrement efficaces pour capturer des structures locales réutilisables.
Bottleneck Features
Représentations compressées extraites juste avant les couches de classification d'un réseau pré-entraîné. Ces features de goulot d'étranglement capturent l'information sémantique essentielle dans un format compact idéal pour le transfer learning.
Modèles Pré-entraînés
Architectures d'apprentissage profond avec des poids déjà optimisés sur des datasets de référence comme ImageNet ou COCO. Ces modèles fournissent des extracteurs de caractéristiques prêts à l'emploi pour diverses tâches de vision ou de traitement du langage.
Apprentissage par Transfert
Paradigme d'apprentissage automatique réutilisant les connaissances acquises sur une tâche source pour améliorer les performances sur une tâche cible. Cette approche est particulièrement efficace avec l'extraction de features des couches inférieures de modèles pré-entraînés.
Extraction de Patterns
Processus de détection automatique de structures récurrentes dans les données via les filtres des couches convolutives inférieures. Les patterns extraits servent de building blocks fondamentaux pour des représentations plus complexes.
Représentations Abstraites
Encodages de haut niveau générés par les couches intermédiaires d'un réseau capturant des concepts sémantiques plutôt que des pixels bruts. Ces représentations permettent une meilleure généralisation entre différentes tâches apparentées.
Couches d'Extraction
Ensemble de couches neuronales spécialisées dans la transformation de données brutes en caractéristiques exploitables. Dans le contexte du transfer learning, ces couches proviennent typiquement des niveaux inférieurs de modèles pré-entraînés.
Caractéristiques Convolutives
Attributs extraits par des opérations de convolution appliquées sur les données d'entrée via des filtres appris. Ces caractéristiques des couches inférieures sont particulièrement efficaces pour capturer des structures locales invariantes par translation.
Embeddings Pré-entraînés
Représentations vectorielles denses générées par des modèles déjà entraînés sur de vastes corpus de données. Ces embeddings capturent des relations sémantiques riches et peuvent servir de features initiales pour des tâches spécialisées.