Lec 14: Convolutional Neural Network - I

Ce cours constitue une introduction solide et pédagogique aux réseaux de neurones convolutifs. Le professeur Arijit Sur, expert en traitement d’images et en vision par ordinateur, explique les concepts fondamentaux avec clarté et rigueur. La structure du cours est logique : il commence par définir les CNN et leurs propriétés, puis détaille l’architecture type, et enfin illustre le fonctionnement de la convolution par un exemple concret. L’exemple de détection de lignes horizontales est particulièrement bien choisi : il permet de visualiser concrètement comment un noyau de convolution agit sur une image. Le professeur insiste à juste titre sur le fait que les noyaux sont appris automatiquement, ce qui est une différence majeure avec les méthodes classiques de traitement d’image. La comparaison entre l’approche classique de machine learning (feature engineering) et l’approche deep learning est pertinente et bien expliquée. Cependant, le cours reste à un niveau introductif : il ne présente pas d’exemples d’architectures réelles (comme AlexNet, VGG, ResNet), ni de résultats expérimentaux. De plus, les aspects mathématiques de la convolution sont survolés, sans formules détaillées. Les sources sont limitées à la page du cours NPTEL, ce qui est acceptable pour un cours magistral, mais on pourrait attendre des références à des articles fondateurs comme ceux de LeCun et al. (1998) ou Krizhevsky et al. (2012). Enfin, la qualité audio et vidéo est bonne, et le rythme est adapté. En résumé, ce cours est une excellente introduction pour des étudiants ou des professionnels souhaitant comprendre les bases des CNN, mais il ne constitue pas une référence exhaustive sur le sujet.

Le titre est parfaitement adapté au contenu : il s'agit bien d'une introduction aux réseaux de neurones convolutifs.

8/10

Cours universitaire de niveau master, présenté par un professeur de l'IIT Guwahati, avec une explication pédagogique rigoureuse des concepts fondamentaux des CNN. Les explications sont claires et structurées, mais l'absence de démonstrations pratiques et de références bibliographiques détaillées limite la note.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction au cours et objectifs : présentation des CNN et de leur architecture.
• 02:00Définition des CNN et de leurs propriétés : connexions locales, partage des poids, apprentissage automatique de caractéristiques.
• 05:00Présentation de l'architecture générale d'un CNN : couches de convolution, pooling, activation, normalisation, couches fully connected et softmax.
• 10:00Comparaison entre l'approche classique de machine learning (feature engineering) et l'approche deep learning (extraction automatique).
• 15:00Explication détaillée de l'opération de convolution avec un exemple de détection de lignes horizontales.
• 25:00Illustration de la convolution par un exemple pratique : application d'un noyau de convolution sur une image.
• 40:00Discussion sur l'apprentissage des noyaux de convolution dans un CNN.
• 50:00Conclusion et transition vers la suite du cours.

• NPTEL Course: Neural Networks for Computer Vision and Natural Language Processing — Page du cours NPTEL dont cette vidéo fait partie.

• NPTEL Course: Neural Networks for Computer Vision and Natural Language Processing — Page du cours NPTEL dont cette vidéo fait partie.