Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?
Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur Graph Search.
Cette séance de cours explore le concept de stabilité relative vers les difféomorphismes dans les réseaux neuraux profonds, proposant que la classification de l'image soit réalisable du fait que les classes sont invariantes aux déformations lisses. En étudiant les difféomorphismes typiques de la norme contrôlée, la séance de cours se penche sur la façon dont la stabilité pour lisser les transformations d'entrée par rapport aux transformations génériques influe sur la performance. Diverses architectures, allant des simples CNN aux méthodes de pointe, sont analysées, ce qui montre qu'une faible sensibilité relative aux difféomorphismes est cruciale pour une bonne performance. La corrélation entre la stabilité relative et les performances est mise en évidence, ce qui indique que les paramètres tels que les connexions de profondeur ou de saut sont moins significatifs. Les résultats suggèrent que la stabilité relative aux difféomorphismes est un meilleur prédicteur de la performance que la stabilité au seul bruit.