L’information mutuelle est largement utilisée pour apprendre des représentations latentes des observations, tandis que son implication dans les réseaux de neurones pour la classification reste à mieux expliquer. Nous montrons qu’optimiser les paramètres d’un réseau de neurones pour la classification à l’aide de la fonction de perte de cross-entropie avec softmax est équivalent à maximiser l’information mutuelle entre les entrées et les étiquettes sous l’hypothèse de données équilibrées. À travers des expériences menées sur des jeux de données synthétiques et réels, nous démontrons que la cross-entropie avec softmax permet d’estimer de manière approximative l’information mutuelle. Lorsqu’elle est appliquée à la classification d’images, cette relation permet d’approximer l’information mutuelle ponctuelle entre une image d’entrée et une étiquette sans modifier la structure du réseau. À cet effet, nous proposons infoCAM, une carte d’activation de classe informative, qui met en évidence les régions de l’image d’entrée les plus pertinentes par rapport à une étiquette donnée en se basant sur les différences d’information. Cette carte d’activation permet de localiser l’objet cible dans l’image d’entrée. À l’aide d’expériences sur une tâche de localisation d’objets semi-supervisée menées sur deux jeux de données réels, nous évaluons l’efficacité de notre approche fondée sur la théorie de l’information.