Cómo interpretar el resultado de una red totalmente convolucional

Bueno, como sabrán, en CNN, el objetivo de las capas totalmente convolucionales es reconocer las diferentes características gráficas dentro de la imagen, por ejemplo, las diferentes formas, los colores, las texturas, etc. Durante el entrenamiento, la propagación inversa evoluciona los filtros para extraer las características correctamente. Después del entrenamiento, los filtros generalmente se ven así:

En la CNN tradicional, una vez que se han extraído las características, las capas completamente conectadas hacen el trabajo de clasificar la imagen de acuerdo con las características. Básicamente verifican qué características se han encontrado e intentan adivinar qué podría ser. Tomemos un ejemplo simple, si las capas convolucionales descubrieron que las imágenes contienen muchos píxeles azules y blancos, con algunos bordes borrosos, ¡entonces las capas completamente conectadas podrían adivinar que es un cielo!

Ahora, simulando que elimina estas capas completamente conectadas, se detendrá justo después de la extracción de características. Lo que significa que lo que obtendrás son solo los filtros entrenados.

Sin embargo, no tengo idea de cómo entrenar a un FCN y cuál es su propósito, pero así es como los entiendo

Lo interpretarías como un mapa de calor reducido.

Según los valores, la imagen de 10 × 10 indicaría dónde se encuentra probablemente un objeto en particular. Por supuesto, para obtener mejores resultados, recomiendo pasar esa representación latente a través de algunas capas de deconvolución para que obtenga una imagen del mismo tamaño que la original y que le dé un mapa de calor 1-1.

Cualquier red neuronal genera valores para los que ha sido entrenada. En el caso de las CNN, pasamos la salida a través de un softmax y las comparamos con las probabilidades más altas utilizando la pérdida logarítmica. Así es como se entrena y, por lo tanto, interpretamos los resultados como probabilidades de clase.

En el caso de los FCN, también están capacitados para ser comparados con algunas etiquetas de verdad básicas. Por ejemplo, SegNet está entrenado para clasificar cada píxel de la entrada y, por lo tanto, genera una imagen completa, cada píxel es una probabilidad de clase.

En el caso de SRCNN, genera la imagen súper resuelta.

Todo por eso es lo que está entrenado para hacer.

Una pregunta más interesante (sin una buena respuesta hasta ahora) es cómo interpretaría la activación de las capas intermedias (ocultas) de cualquier red.

El video tutorial disponible en este enlace: Tutoriales interactivos: Niraj contiene una explicación interactiva de la funcionalidad y estructura de la red neuronal convolucional. También demuestra la red neuronal convoluncional a través de un ejemplo de entrenamiento interactivo. Espero que sirva para su propósito (si no completamente).

Enlace: Tutoriales interactivos – Niraj