Réseaux convolutifs (CNN)
Un réseau de neurones convolutif (CNN) est une architecture de deep learning spécialisée dans l’analyse d’images et de vidéos, inventée en 1980 par Kunihiko Fukushima et inspirée du fonctionnement du cortex visuel animal. Contrairement aux réseaux de neurones classiques qui traitent les données de façon dense, un CNN exploite les structures spatiales d’une image — un pixel a plus de sens en relation avec ses voisins qu’isolément.
Son fonctionnement repose sur des couches spécialisées qui se succèdent : la convolution applique des filtres qui balaient l’image pour détecter des caractéristiques (contours, textures, formes), le pooling réduit la taille des données en ne gardant que l’information essentielle, et une dernière couche entièrement connectée classe l’image finale. Les premières couches détectent des motifs simples (luminosité, contours), les couches profondes des caractéristiques complexes propres à l’objet recherché — d’où le terme « profond » du deep learning.
En RH, les CNN interviennent dans des usages ciblés : extraction automatique d’informations depuis un CV scanné ou une pièce d’identité (OCR avancé), analyse de badges photo pour le contrôle d’accès, ou détection d’anomalies visuelles en environnement industriel (EPI manquant, non-conformité de sécurité). Leur usage direct en RH reste minoritaire comparé au NLP, largement plus mobilisé pour le texte (CV, entretiens, chatbots).
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : Wikipédia FR (10/06/2026), MATLAB & Simulink.