1. La convolution bidimensionnelle et l’invariance par translation

Traiter une image haute résolution avec un perceptron multicouche classique entraînerait une explosion combinatoire ingérable du nombre de paramètres. Les Réseaux de Neurones Convolutifs (CNN) exploitent les propriétés locales des images grâce au partage de poids et aux filtres convolutifs spatiaux (Kernels). Ils apprennent une hiérarchie de motifs visuels : bords et textures dans les premières couches, formes géométriques intermédiaires, et objets sémantiques complets dans les couches profondes.

2. Les trois grandes tâches de la vision artificielle

1. Classification d’image : Attribuer un label global à l’image (ex. architecture ResNet avec connexions résiduelles sautées résolvant l’évanouissement du gradient).
2. Détection d’objets (Object Detection) : Localiser et classifier simultanément plusieurs objets via des boîtes englobantes (Bounding Boxes). L’architecture YOLO (You Only Look Once) traite l’image en une seule passe réseau, permettant une inférence à plus de 60 images par seconde en temps réel.
3. Segmentation sémantique et d’instance : Classifier chaque pixel individuel de l’image. L’architecture U-Net (avec chemin de contraction, goulot d’étranglement et chemin d’expansion avec Skip Connections) fait référence absolue en imagerie médicale suisse et en conduite autonome.

3. Vision Transformers (ViT)

Les avancées récentes étendent le mécanisme d’attention aux images : découper l’image en patchs de pixels traités comme des tokens lexicaux permet aux Vision Transformers de surperformer les CNN traditionnels sur des corpus d’entraînement massifs.