Réseaux déconvolutifs (réseaux neuronaux déconvolutifs)

Les réseaux déconvolutifs (en anglais, deconvolutional networks) sont des réseaux neuronaux convolutifs (CNN, Convolutional Neural Network) qui fonctionnent de façon inversée. Bien que de même nature que les CNN inversés, ces réseaux sont une application distincte de l'intelligence artificielle (IA).

Les réseaux déconvolutifs recherchent les fonctionnalités ou les signaux perdus au cours d'une tâche d'un réseau neuronal convolutif, parce qu'ils n'ont pas été jugés importants à ce moment-là. Ainsi, un signal peut être perdu après avoir fait l'objet d'une opération de convolution avec d'autres signaux. La déconvolution des signaux peut être utilisée pour la synthèse et pour l'analyse des images.

Un CNN émule le fonctionnement du lobe frontal d'un cerveau biologique en matière de traitement d'images. Un réseau neuronal déconvolutif se construit à partir des données traitées. Cette fonction inversée peut être considérée comme une rétro-ingénierie des réseaux neuronaux convolutifs, car elle crée des couches capturées sur l'image entière à partir du champ de vision de la machine et sépare ce qui a fait l'objet d'une convolution.

Les réseaux déconvolutifs sont associés à d'autres méthodes de deep learning utilisées pour l'extraction de caractéristiques à partir de données hiérarchiques, telles que celles des « réseaux de croyances profondes » (deep belief networks) et des auto-encodeurs parcimonieux hiérarchiques. Les réseaux déconvolutifs sont essentiellement utilisés dans les champs d'étude scientifiques et de l'ingénierie.