Cet article aborde la visualisation des modèles de classification d’images appris à l’aide de réseaux de neurones convolutifs profonds (ConvNets). Nous examinons deux techniques de visualisation fondées sur le calcul du gradient du score de classe par rapport à l’image d’entrée. La première technique permet de générer une image qui maximise le score de classe [Erhan et al., 2009], visualisant ainsi le concept de classe capté par un ConvNet. La deuxième technique consiste à calculer une carte de salience de classe spécifique à une image et à une classe données. Nous montrons que ces cartes peuvent être utilisées pour une segmentation d’objets faiblement supervisée à l’aide de ConvNets de classification. Enfin, nous établissons un lien entre les méthodes de visualisation basées sur les gradients pour les ConvNets et les réseaux déconvolutifs [Zeiler et al., 2013].