¿Cómo funcionan las redes neuronales convolucionales?

CNN es el método más popular y efectivo para el reconocimiento de objetos, y es un tipo especializado de red neuronal para procesar datos que tiene una topología similar a una cuadrícula conocida. La red emplea una operación matemática llamada convolución que le permite extraer un conjunto de características de la imagen de entrada.

La arquitectura principal es la misma que una red neuronal “regular”, que consta de múltiples capas apiladas de neuronas interconectadas (para una muy buena revisión sobre el tema, vea la serie “Comprender la red neuronal” de Giles Strong). La principal diferencia aquí es que las entradas son imágenes caracterizadas por una estructura tridimensional: altura, ancho e intensidad de píxeles. Las primeras capas de la estructura aprenden a reconocer patrones simples como líneas, bordes o esquinas en la imagen de entrada; las capas intermedias pueden reconocer patrones más complejos, como un ojo o una nariz; eventualmente, las capas posteriores ubican y reconocen los objetos principales en la imagen, como un rostro humano o un perro.

Para más información y aplicaciones, vea mi publicación aquí:

CNN’s y Neutrinos

Las redes neuronales pueden hacer predicciones al aprender la relación entre las características de sus datos y alguna respuesta observada (por ejemplo, cuál es el mejor momento para ir al supermercado para evitar largas colas).

En las redes neuronales (CNN) convolucionales (filtrado y codificación por transformación), cada capa de red actúa como un filtro de detección de la presencia de características o patrones específicos presentes en los datos originales. Las primeras capas en una CNN detectan características (grandes) que pueden reconocerse e interpretarse de manera relativamente fácil. Las capas posteriores detectan características cada vez más (más pequeñas) que son más abstractas (y generalmente están presentes en muchas de las características más grandes detectadas por las capas anteriores). La última capa de la CNN es capaz de hacer una clasificación ultra específica al combinar todas las características específicas detectadas por las capas anteriores en los datos de entrada.

En los últimos años, las redes neuronales de convolución profunda han logrado un rendimiento sin precedentes en el campo de la clasificación de imágenes y el reconocimiento de rostros y ubicaciones, por ejemplo. Estas redes utilizan muchas capas extendidas de neuronas (unidades de aprendizaje) para construir de forma autónoma representaciones cada vez más abstractas, muy locales y detalladas de una imagen.

Cada capa de red actúa como un filtro para la presencia de características o patrones específicos presentes en la imagen original. Para la detección mediante dicho filtro, es irrelevante dónde exactamente en la imagen original está presente esta característica o patrón específico: los filtros están especialmente diseñados para detectar si la imagen contiene o no tales características. El filtro se desplaza varias veces y se aplica en diferentes posiciones de la imagen hasta que se haya cubierto toda la imagen en detalle (el filtro puede corregir, si es necesario, por ejemplo, para escala, traslación, ángulo de rotación, color, transformación, opacidad, desenfoque, desviaciones de características específicas presentes en la imagen original).

Debido al éxito de las CNN en el campo de la clasificación de imágenes, en muchas áreas diferentes donde se aplican redes neuronales convolucionales para resolver problemas ultra complejos, a menudo los datos de entrada se traducen primero en datos de imágenes.

Espero que esto se aclare un poco, si está interesado en leer en términos sencillos sobre cómo funcionan las redes neuronales convolucionales de aprendizaje profundo para AlphaGo (el programa Google DeepMind AI que juega Go superior): vea mi blog: Parte 2: AlphaGo bajo una lupa (El partido histórico de aprendizaje profundo AlphaGo vs. Lee Sedol) REVISADO