Académique Documents
Professionnel Documents
Culture Documents
Pourquoi DenseNet?
Avantages de DenseNet
DenseNet vs VGG16:
o VGG16 est une architecture plus ancienne et plus simple.
o DenseNet offre une meilleure efficacité paramétrique et une
capacité à capturer des caractéristiques plus complexes.
DenseNet vs Inception:
o Inception, ou GoogleNet, utilise des modules d'inception pour
capturer des caractéristiques à différentes échelles.
o DenseNet, avec ses connexions denses, peut offrir une
meilleure réutilisation des fonctionnalités et une
régularisation naturelle.
1. Bloc Dense:
o Couches Convolutives: Chaque bloc dense contient
plusieurs couches convolutives.
o Connexions Denses: Chaque couche reçoit les
caractéristiques de toutes les couches précédentes du bloc.
Cela signifie que la i-ème couche reçoit les caractéristiques
des couches 0, 1, ..., i-1.
o Concaténation: Les caractéristiques sont concaténées
ensemble, plutôt que sommées, préservant ainsi les
informations de toutes les couches précédentes.
o Croissance du Canal: Un paramètre clé est le "taux de
croissance" (k), qui contrôle le nombre de canaux
(caractéristiques) ajoutés par chaque couche convolutive.
o
2. Couche de Transition:
o Entre les blocs denses, il y a des couches de transition qui
contrôlent la taille et la profondeur des caractéristiques.
o Elles contiennent généralement une convolution suivie d'une
couche de pooling pour réduire la dimensionnalité.
o
3. Couche de Classification:
o Après les blocs denses et les couches de transition, il y a
généralement une couche de pooling global suivie d'une
couche dense pour la classification.
Avantages
2. Construction du Modèle
Initialisation de DenseNet: La base de DenseNet (par exemple,
DenseNet121) est initialisée avec des poids pré-entraînés sur
ImageNet. Cela inclut tous les blocs denses et les couches de
transition.
Personnalisation: La base de DenseNet est étendue avec des
couches supplémentaires pour adapter le modèle à la tâche
spécifique. Cela peut inclure:
o Aplatir: Les caractéristiques 3D sont aplaties en un vecteur
1D.
o Couches Denses: Une ou plusieurs couches denses
peuvent être ajoutées pour la transformation des
caractéristiques.
o Dropout: Pour réduire le surajustement, des couches de
dropout peuvent être ajoutées.
o Couche de Sortie: Une couche dense avec une activation
softmax est ajoutée pour la classification en 120 classes
(races de chiens).
Non-Entraînable: La base de DenseNet peut être réglée pour être
non-entraînable, permettant seulement l'entraînement des couches
ajoutées.
3. Compilation du Modèle
4. Entraînement du Modèle
5. Évaluation et Utilisation
Interprétation et Conséquences
Conclusion
Succès du Projet
Potentiel d'Amélioration