Les techniques utilisées pour les réseaux feedforward (FFN) et les réseaux convolutifs (CNN) sont fréquemment réutilisées dans différentes familles, mais la relation entre les classes de modèles sous-jacentes est rarement explicitée. Nous introduisons une formalisation au niveau des nœuds avec des activations à valeur tensorielle et montrons que les FFN généralisés forment un sous-ensemble strict des CNN généralisés. Nous proposons la projection, une méthode d'apprentissage par transfert efficace en termes de paramètres pour les CNN qui gèle les filtres par canal d'entrée pré-entraînés et apprend un seul scalaire pour chaque contribution (canal de sortie, canal d'entrée). La projection permet à toutes les couches convolutives de s'adapter aux tâches en aval tout en réduisant considérablement le nombre de paramètres entraînés dans les couches convolutives. Nous prouvons que les nœuds projetés prennent la forme d'un FFN généralisé, ce qui permet aux CNN projetés d'hériter des techniques FFN qui ne reposent pas sur des entrées de couches homogènes. Des expériences avec des backbones pré-entraînés ImageNet et des ensembles de données de classification d'images montrent des résultats solides dans des configurations d'entraînement simples.