Modèles multi-échelles et réseaux de neurones convolutifs
Stéphane Mallat ENS Ulm, collège de France
Computer VisionLearning

Objectif du cours

Présenter la frontière de la recherche en IA.
Ce cours a notamment pour but d’étudier l’analyse des capacités d’approximation des réseaux de neurones convolutifs, mais abordera plus largement les problèmes de représentation pour la classification de signaux et d’images. Cela met en jeux différentes branches de l’analyse harmoniques, les représentations temps-fréquences et multiéchelles en ondelettes, ainsi que la théorie des groupes pour spécifier les symétries et invariants de ces problèmes. Le cours fera le lien avec les modèles neurophysiologiques de la perception auditive et visuelle.

Organisation des séances

Le cours aura lieu du 22 Janvier jusqu’au 11 Mars. Cours en Français.

Mode de validation

Le cours est validé par un projet sur l’un des challenges proposé par le site challenge.data.ens.frLiens utile

Thèmes abordés

  • Malédiction de la dimensionnalité
  • Architecture des réseaux convolutifs
  • Réduction de dimensionnalité par séparation en échelle ou en espace
  • Symétries, invariants et parcimonie
  • Perception auditive et visuelle
  •  Convolutions et analyse fréquentielle
  • Invariance par translation, rotations, stabilité par déformation
  • Analyse temps-fréquence: transformée de Fourier à fenêtre
  • Séparation d’échelle par transformée en ondelettes et invariants
  • Détection de singularités et parcimonie
  • Bancs de filtres et réseaux convolutifs
  • Invariants multiéchelles et réseaux de neurones
voir les autres cours du 2nd semestre