Ce document présente un nouveau réseau neuronal à connexions adaptatives (ACNet) visant à améliorer les réseaux neuronaux convolutifs traditionnels (CNNs) sous deux aspects. Premièrement, l'ACNet utilise une méthode flexible pour basculer entre l'inférence globale et locale lors du traitement des représentations internes de caractéristiques en déterminant de manière adaptive le statut de connexion entre les nœuds de caractéristiques (par exemple, les pixels des cartes de caractéristiques)\footnote{Dans le domaine de la vision par ordinateur, un nœud fait référence à un pixel d'une carte de caractéristiques ; dans le domaine des graphes, un nœud désigne un nœud du graphe.}. Nous pouvons montrer que les CNNs existants, le classique multilayer perceptron (MLP), ainsi que le réseau non-local récemment proposé (NLN) \cite{nonlocalnn17}, sont tous des cas particuliers de l'ACNet. Deuxièmement, l'ACNet est également capable de traiter des données non-euclidiennes. Des analyses expérimentales approfondies sur diverses bases de référence (à savoir, la classification ImageNet-1k, la détection et la segmentation COCO 2017, la réidentification d'individus CUHK03, l'analyse CIFAR et la catégorisation des documents Cora) démontrent que l'ACNet ne seulement atteint des performances d'état de l'art mais aussi surmonte les limitations des MLP et CNN conventionnels\footnote{Auteur correspondant : Liang Lin ([email protected])}. Le code est disponible à l'adresse \url{https://github.com/wanggrun/Adaptively-Connected-Neural-Networks}.