MAADISON - Modèles par apprentissage automatisés pour la surveillance des ouvrages névralgiques | FEREC 2020

10 Figure 3 Illustration d’un neurone, avec des entrées x n , des poids w n et b 1 utilisés pour la combinaison linéaire. Ces neurones sont agencés sous la forme de réseaux dans lesquels ils sont soit : - En parallèle dans une même couche, et reçoivent les mêmes entrées, - En série sur plusieurs couches, où les sorties d’une couche sont utilisée s en entrée de la suivante. Chaque réseau comporte au moins une couche d’entrée et une couche de sortie liées par un jeu de paramètres (Figure 4) . L’objectif d es méthodes de deep learning est d’estimer les paramètres permettant de transformer les données de la couche d’entrée en données de la couche de sortie. Les couches cachées sont celles qui réalisent les opérations du réseau. Figure 4 Illustration d’un réseau de neurone dit « à propagation avant ». Plus un réseau comporte de neurones, plus il peut modéliser des relations complexes entre les données. Cependant, l’augmentation de la taille d’un réseau entraîne une augmentation du nombre de coefficients (poids) à ajuster. L’apprentissage, qui peut être réalisé à l’aide de différents algorithme s comme la descente de gradient, est généralement le facteur limitant du deep learning , qui nécessitent une grosse puissance de calcul, une grande capacité de mémoire et beaucoup de données d’apprentissage. Au-delà du nombre de neurones et de couches, il e xiste différents types d’ANN qui se caractérisent par la façon d’agence r les couches et neurones entre eux, ainsi que par des améliorations sur les cellules elles- mêmes. Plusieurs outils ont été considérés dans le cadre de ce projet et sont détaillés dans le paragraphe suivant. II.B. Outils considérés II.B.1. RNN Les réseaux de neurones récurrents ( Recurrent Neural Networks , RNN) illustrés dans la Figure 5 sont des réseaux à propagation avant (cf. Figure 4) dont les couches comportent une relation de récurrence : la valeur de sortie d’un neurone est ajoutée à ses entrées à l’itération suivante. Cette approche introduit une notion de mémoire dans le réseau, à la façon des modèles autorégressifs.