Couches de pooling (MaxPooling3D)

Les couches MaxPooling3D sont utilisées dans les réseaux de neurones pour réduire la dimension des données tridimensionnelles, comme des vidéos, des volumes médicaux ou des cartes de caractéristiques 3D. L’objectif est de simplifier les représentations tout en conservant les informations les plus importantes.

Le principe consiste à diviser le volume de données en fenêtres cubiques de taille fixe et à ne retenir que la valeur maximale de chaque fenêtre. Cette opération réduit la taille spatiale et/ou temporelle des données, diminue le coût computationnel et rend le réseau plus robuste aux variations locales.

Les couches MaxPooling3D sont utilisées dans les architectures CNN 3D pour la classification vidéo, la segmentation volumétrique ou la détection d’objets 3D. Elles sont souvent suivies de couches de convolution, de normalisation ou fully connected.

En résumé, les couches MaxPooling3D permettent de réduire la dimensionnalité des données 3D tout en conservant les caractéristiques les plus saillantes pour l’apprentissage du réseau.

Fonctions :

MaxPooling3D()

MaxPooling3D est une couche de réduction de dimension qui effectue un max pooling sur des fenêtres 3D glissantes. Elle est utilisée après des couches convolutionnelles 3D pour réduire la profondeur, la hauteur et la largeur des données volumétriques (comme des séquences d’images ou des volumes médicaux) tout en conservant les informations les plus importantes.

Importation :

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv3D, MaxPooling3D, Flatten, Dense
import numpy as np

Attributs :

Paramètre	Type	Description	Valeur par défaut
`pool_size`	int ou tuple	Taille de la fenêtre de pooling (profondeur, hauteur, largeur).	`(2, 2, 2)`
`strides`	int ou tuple	Pas de déplacement de la fenêtre de pooling.	`None` (équivalent à `pool_size`)
`padding`	str	`'valid'` (sans remplissage) ou `'same'` (conserve la taille).	`'valid'`
`data_format`	str	`'channels_last'` (profondeur, hauteur, largeur, canaux) ou `'channels_first'` (canaux, profondeur, hauteur, largeur).	`'channels_last'`

Exemple de code :

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv3D, MaxPooling3D, Flatten, Dense
import numpy as np

# Données simulées : 20 volumes 16x16x16 avec 1 canal
X = np.random.rand(20, 16, 16, 16, 1)
y = np.random.randint(0, 2, size=(20,))

# Modèle simple avec MaxPooling3D
model = Sequential()
model.add(Conv3D(filters=16, kernel_size=(3, 3, 3), activation='relu', input_shape=(16, 16, 16, 1)))
model.add(MaxPooling3D(pool_size=(2, 2, 2)))
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.summary()

Explication du code :

Importation des bibliothèques

On importe les couches nécessaires de TensorFlow Keras : `Conv3D`, `MaxPooling3D`, `Flatten` et `Dense`.

Création des données

Les données simulées représentent 20 volumes 3D de taille 16×16×16 avec 1 canal. Les sorties sont binaires.

Définition du modèle

Une couche `Conv3D` extrait des caractéristiques spatiales et temporelles dans les volumes, suivie d’une couche `MaxPooling3D` qui réduit la profondeur, hauteur et largeur en prenant le maximum sur des fenêtres 2×2×2. `Flatten` transforme les données 3D en vecteur pour la couche dense finale.

Compilation

Le modèle est compilé pour un problème de classification binaire avec l’optimiseur Adam.