Réseaux de neurones convolutionnels (CNN) pour l'image
Les réseaux de neurones convolutionnels, désignés par l'acronyme CNN (de l'anglais Convolutional Neural Networks), constituent depuis plus d'une décennie le socle du traitement automatique des images par l'intelligence artificielle. Issus des travaux de Yann LeCun à la fin des années 1980, ils ont connu une renaissance spectaculaire en 2012 avec AlexNet, puis n'ont cessé de s'imposer dans des domaines aussi variés que la reconnaissance d'objets, le diagnostic médical par imagerie ou la conduite autonome. En 2026, les CNN restent omniprésents, quoique désormais souvent combinés à des architectures transformers dans des modèles hybrides.
Principe de fonctionnement
À la différence d'un réseau de neurones dense classique, un CNN exploite la structure spatiale d'une image. Plutôt que de connecter chaque pixel à chaque neurone, il applique des filtres de convolution qui parcourent l'image par fenêtres glissantes, détectant des motifs locaux : contours, textures, coins, puis formes de plus en plus complexes à mesure que l'on progresse dans les couches profondes.
Les couches fondamentales
- Couche de convolution : un filtre (ou noyau) de petite taille — typiquement 3×3 ou 5×5 pixels — est appliqué sur toute l'image pour produire une carte d'activation (feature map). Le réseau apprend automatiquement les valeurs de ces filtres durant l'entraînement.
- Fonction d'activation (ReLU) : la rectification linéaire élimine les valeurs négatives et introduit la non-linéarité indispensable à la modélisation de représentations complexes.
- Couche de pooling : opération de sous-échantillonnage (souvent un max pooling 2×2) qui réduit la dimension spatiale, diminue le coût de calcul et confère une certaine invariance aux translations.
- Couches entièrement connectées (fully connected) : en fin de réseau, les cartes d'activation aplaties alimentent des couches denses classiques qui produisent la décision finale (classe, score de détection, etc.).
L'un des avantages majeurs des CNN est leur capacité à apprendre leurs propres représentations sans pré-traitement manuel des images, contrairement aux approches traditionnelles fondées sur des descripteurs artisanaux comme HOG ou SIFT.
Les grandes architectures CNN
L'histoire des CNN pour l'image est jalonnée d'architectures de référence qui ont chacune apporté une avancée déterminante.
LeNet-5 (1998)
Conçu par Yann LeCun pour la reconnaissance de chiffres manuscrits, LeNet-5 pose les fondations : alternance de couches de convolution et de pooling, suivie de couches denses. Il reste un modèle pédagogique de référence.
AlexNet (2012)
Vainqueur du concours ImageNet en 2012 avec un taux d'erreur sans précédent, AlexNet relance l'intérêt pour le deep learning. Il introduit l'utilisation des GPU pour l'entraînement, la fonction ReLU systématique et le dropout pour lutter contre le surapprentissage.
VGGNet (2014)
Développée par le Visual Geometry Group d'Oxford, l'architecture VGG (VGG-16, VGG-19) montre que l'augmentation de la profondeur avec de petits filtres 3×3 empilés améliore les performances. Sa simplicité conceptuelle en fait encore aujourd'hui un point de départ courant pour le transfer learning.
ResNet (2015)
Microsoft Research propose les connexions résiduelles (skip connections) : le signal est transmis directement d'une couche à une autre en court-circuitant plusieurs couches intermédiaires. Cette innovation permet d'entraîner des réseaux de plus de cent couches (ResNet-50, ResNet-101, ResNet-152) sans souffrir du problème de gradient évanescent. ResNet demeure l'une des architectures les plus utilisées en production.
Inception / GoogLeNet (2014-2016)
La famille Inception (Google) introduit le module inception, qui applique en parallèle des convolutions de tailles différentes sur la même entrée puis concatène les résultats. L'objectif est d'extraire simultanément des motifs à plusieurs échelles spatiales, tout en contrôlant le coût computationnel via des convolutions 1×1.
EfficientNet (2019)
EfficientNet propose une méthode de mise à l'échelle composée (compound scaling) qui ajuste conjointement la profondeur, la largeur et la résolution du réseau selon un coefficient unifié. Résultat : des modèles bien plus précis pour un budget de calcul équivalent à ses concurrents. La famille EfficientNet (B0 à B7) reste très prisée pour les déploiements sur ressources limitées.
ConvNeXt (2022)
Meta AI relance les CNN "purs" avec ConvNeXt, une architecture entièrement convolutive réimaginée à partir des principes des Vision Transformers. ConvNeXt rivalise avec les meilleurs transformers sur ImageNet tout en conservant la simplicité et l'efficacité des CNN classiques.
Applications en traitement d'image
Les CNN interviennent dans l'ensemble de la chaîne de traitement d'image computationnel :
- Classification d'images : affecter une étiquette à une image entière (chien, voiture, mélanome). C'est la tâche fondatrice sur laquelle les architectures ci-dessus ont été évaluées.
- Détection d'objets : localiser et identifier plusieurs objets dans une même image. Des architectures spécialisées comme YOLO, SSD ou Faster R-CNN combinent des backbones CNN avec des têtes de détection.
- Segmentation sémantique et d'instance : attribuer une classe à chaque pixel. L'architecture U-Net, dérivée des CNN, est devenue le standard en imagerie médicale.
- Reconnaissance faciale : FaceNet et ArcFace utilisent des CNN profonds pour encoder les visages en vecteurs d'identité.
- Super-résolution et génération : les CNN constituent le cœur de nombreux réseaux antagonistes génératifs (GAN) pour améliorer la résolution d'images ou en synthétiser de nouvelles.
- Imagerie médicale : diagnostic automatisé de pathologies rétiniennes, pulmonaires ou dermatologiques à partir de clichés radiologiques ou de microscopie.
CNN et Vision Transformers : la situation en 2026
Depuis l'introduction du Vision Transformer (ViT) par Google en 2020, un débat structurant oppose les CNN aux architectures à attention (transformers) pour la vision. En 2026, la situation est nuancée.
Les CNN conservent des avantages décisifs : efficacité avec peu de données, coût de calcul modéré et bonnes performances sans pré-entraînement massif. Un ResNet ou un EfficientNet bien calibré surpasse souvent un ViT standard sur des jeux de données de taille modeste (CIFAR-10, petits corpus industriels). Les ViT nécessitent en revanche d'immenses corpus d'entraînement ou de l'auto-supervision pour déployer tout leur potentiel.
La tendance dominante de 2025-2026 est celle des architectures hybrides : CoAtNet, CvT, ou encore Swin Transformer associent des couches convolutives initiales — efficaces pour l'extraction de motifs locaux — à des blocs d'attention transformer capables de raisonner sur des dépendances à longue portée dans l'image. Une revue publiée début 2026 sur ScienceDirect, analysant vingt-deux modèles représentatifs, conclut que ces hybrides offrent le meilleur compromis entre précision, efficacité en données et coût computationnel.
En détection d'objets, le Swin Transformer a en grande partie supplanté les backbones CNN purs (ResNet, ResNeXt) dans les systèmes les plus performants sur le benchmark COCO. Sur la tâche de classification pure, EfficientNet et ConvNeXt restent des choix de premier plan dans des contextes à ressources contraintes.
Limites des CNN
Malgré leurs succès, les CNN présentent plusieurs limitations structurelles. Leur champ réceptif est intrinsèquement local : comprendre une relation entre deux régions éloignées d'une image nécessite d'empiler de nombreuses couches. Ils peinent à capturer les dépendances globales, là où les transformers excellent naturellement. Par ailleurs, leur robustesse aux transformations géométriques non vues à l'entraînement (rotations importantes, déformations) reste imparfaite sans augmentation de données adaptée. Enfin, l'entraînement de grands CNN demande des ressources GPU significatives et des corpus étiquetés conséquents.
Questions fréquentes
Qu'est-ce qu'une convolution dans un réseau de neurones ?
Une convolution est une opération mathématique qui applique un filtre (noyau) de petite taille sur une image en le faisant glisser pixel par pixel. Chaque position produit une valeur indiquant dans quelle mesure le motif du filtre est présent localement. Le réseau apprend automatiquement les valeurs de ces filtres pour détecter des caractéristiques utiles comme les contours ou les textures.
Quelle est la différence entre ResNet et VGG ?
VGG empile des couches de convolution de façon séquentielle, ce qui entraîne des problèmes de gradient évanescent au-delà d'une certaine profondeur. ResNet introduit des connexions résiduelles qui transmettent le signal d'une couche à une autre en court-circuitant des blocs intermédiaires, permettant d'entraîner des réseaux de plus de 100 couches avec une meilleure convergence et de meilleures performances.
Les CNN sont-ils encore pertinents face aux Vision Transformers en 2026 ?
Oui. Les CNN restent très compétitifs, en particulier lorsque les données d'entraînement sont limitées ou que les ressources de calcul sont restreintes. La tendance dominante en 2026 est l'émergence de modèles hybrides combinant couches convolutives et blocs d'attention transformer, qui surpassent souvent les architectures pures dans les deux variantes.
Qu'est-ce que le transfer learning appliqué aux CNN ?
Le transfer learning consiste à réutiliser un CNN pré-entraîné sur un large corpus (comme ImageNet) comme point de départ pour une tâche spécifique. On conserve les couches basses du réseau, qui encodent des caractéristiques génériques (contours, textures), et on ré-entraîne uniquement les couches supérieures sur les nouvelles données. Cette technique réduit considérablement le besoin en données étiquetées et le temps d'entraînement.
Quels CNN sont recommandés pour des applications sur appareils mobiles ou embarqués ?
Des architectures légères comme MobileNet (Google), ShuffleNet ou les variantes EfficientNet-B0/B1 sont optimisées pour les contraintes de calcul et de mémoire des appareils mobiles et systèmes embarqués. Elles utilisent des techniques comme les convolutions séparables en profondeur pour réduire drastiquement le nombre de paramètres tout en conservant une précision acceptable.