Modeling information flow through deep convolutional neural networks

Résumé

Dans ce travail, nous étudions des méthodes permettant d’optimiser les réseaux de neurones convolutionnels profonds en 1) réduisant la complexité des calculs et 2) en améliorant les performances de classification en utilisant l’apprentissage par transfert. Le CNN est modélisé comme une chaîne de Markov, où la sortie du filtre au niveau d’une couche est conditionnellement indépendante du reste du réseau, à partir d’un ensemble de couches précédentes. La théorie de l’information est ensuite utilisée pour quantifier le flux d’informations d’image à travers le réseau. Les réponses de filtre avec une entropie conditionnelle faible (CENT) se sont révélées très efficaces pour la classification des images, pour le diagnostic assisté par ordinateur de la maladie d’Alzheimer dans les images de résonance magnétique 3D (IRM) du cerveau humain et pour divers objets sur des photographies naturelles.

Date	9 avr. 2020
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Matthew Toews (Directeur(-trice)) & Éric Granger (Codirecteur(-trice))