CNN

Por Cristopher Soto

¿Qué es una red neuronal convolucional CNN?

Las Redes Neuronales Convolucionales (CNNs) son un tipo de red neuronal de aprendizaje profundo que imita al cortex visual del ojo humano para reconocer objetos en imágenes. Dicho de otro modo, son un tipo de red neuronal muy efectivas para tareas de visión artificial, incluyendo la clasificación y segmentación de imágenes aunque se pueden utilizar en otras áreas.

¿De qué constan?

Las redes neuronales convucionales constan de múltiples capas interconectadas, incluyendo capas convolucionales y capas completamente conectadas. En las capas convolucionales, se extraen características como líneas, curvas, y formas simples, mientras que en las capas más profundas se reconocen características complejas como rostros o siluetas de animales. Cada neurona artificial, o perceptrón, procesa datos de entrada y produce una salida, contribuyendo al proceso de detección y reconocimiento de objetos en las imágenes. Estas redes pueden tener decenas o cientos de capas, cada una aprendiendo a detectar diferentes características de una imagen mediante la aplicación de filtros con distintas resoluciones. Las características extraídas se combinan en capas completamente conectadas para obtener el resultado deseado, como la clasificación de la imagen en una determinada clase.

Arquitectura

La arquitectura de una CNN consta de una capa de entrada, una o varias capas ocultas y una capa de salida. Estas capas realizan operaciones como convolución, activación (ReLU) (la cual es una función no lineal que se aplica después de la convolución, manteniendo los valores positivos y estableciendo los valores negativos en cero permitiendo un entrenamiento más rápido y eficaz de la red) y agrupación para procesar los datos de entrada y extraer características relevantes, esto simplifica la salida de las capas convolucionales mediante la reducción no lineal de la tasa de muestreo disminuyendo el número de parámetros que la red debe aprender y ayuda a prevenir el sobreajuste.

Como podemos ver en la siguiente imagen, logramos convertir una imagen de entrada en un array de 21 elementos ya que contamos con 21 clases. En cada elemento del array de salida tendremos un valor con decimales de 0 a 1 que dirá la probabilidad de que esa clase sea lo que hay en la imagen real, donde, si sumamos todos los valores del array sumará 1 en total. Si en un elemento del array (por ejemplo la clase perro) tenemos un 0.1 significará que la probabilidad de que tengamos un perro en la imagen es de un 10%.

Tipos de capas

En una CNN normalmente nos encontramos con 5 tipos de capas:

• Capa de entrada (Input Layer): Esta capa recibe la imagen original y la pasa a través de la red. Puede incluir operaciones de preprocesamiento, como normalización de píxeles.

• Capas convolucionales (Convolutional Layers): Estas capas aplican filtros convolucionales a la imagen para extraer características locales. Cada filtro detecta patrones específicos, como bordes o texturas.

• Capas de agrupación (Pooling Layers): Después de las capas convolucionales, se aplican capas de agrupación para reducir la resolución espacial y extraer características más generales.

• Capas completamente conectadas (Fully Connected Layers): Estas capas procesan las características extraídas y las utilizan para realizar la clasificación final. La última capa completamente conectada produce las probabilidades de clase.

• Capa de salida (Output Layer): La capa de salida emite las probabilidades de cada clase (por ejemplo, “gato”, “perro”, “coche”, etc.).

Extracción de características

En esta fase, las capas convolucionales y de reducción de muestreo se alternan para disminuir la dimensionalidad de los datos y detectar características complejas. Las neuronas convolucionales realizan operaciones sobre los datos de imagen utilizando núcleos de convolución para filtrar la imagen y resaltar ciertas características. Por otro lado, las neuronas de reducción de muestreo reducen la resolución de los datos, lo que permite una mayor tolerancia a perturbaciones en los datos de entrada.

Clasificación final

Finalmente, las neuronas de clasificación realizan la clasificación final sobre las características extraídas, utilizando pesos y funciones de activación para calcular la salida de cada neurona. Este proceso de aprendizaje automático permite que la CNN aprenda a reconocer patrones y características en las imágenes de forma automatizada, sin necesidad de definir manualmente los filtros. En resumen, las CNNs son poderosas herramientas para tareas de visión por computadora, demostrando cómo el aprendizaje profundo puede automatizar tareas complejas en el procesamiento de imágenes.

Ejemplos de CNNs famosas

Desde el inicio de las CNNs, se han desarrollado varias arquitecturas de redes neuronales convolucionales (CNN) que han demostrado un rendimiento excepcional en tareas de visión por computador.

• AlexNet. Creada en el año 2012, fue la primera CNN en ganar el desafío ImageNet Large Scale Visual Recognition Competition (ILSVRC) con una precisión del 63.3% en la clasificación de imágenes. Utiliza una pila de tres capas convolucionales 3x3, que es similar a una sola capa convolucional 7x7 pero con más no linealidades.
• VGG (Visual Geometry Group)Net. Creada en el año 2014, propuso arquitecturas con profundidades variables (VGG16 y VGG19) y demostró que aumentar la profundidad mejora el rendimiento. Utiliza capas convolucionales con filtros 3x3 y agrupación máxima (max-pooling) 2x2.
• Inception (GoogLeNet). Creada en el año 2014, propuso módulos de convolución “Inception” que combinan filtros de diferentes tamaños para extraer características a múltiples escalas. Utiliza convoluciones 1x1, 3x3, 5x5 y agrupación máxima en paralelo.
• ResNet (Residual Network). Creada en el año 2015, introdujo bloques residuales que permiten entrenar redes extremadamente profundas (hasta 152 capas) sin problemas de degradación del rendimiento. Utiliza conexiones residuales que saltan una o más capas para evitar la degradación del gradiente.
• Xception. Creada en el año 2015, introdujo el concepto de convoluciones separables en profundidad, que permiten entrenar redes extremadamente profundas sin problemas de degradación del rendimiento. Su logro radica en mejorar la eficiencia computacional y la capacidad de aprendizaje. Reemplaza los módulos Inception con convoluciones separables en profundidad.
  • Las convoluciones separables en profundidad combinan dos tipos de convoluciones:
    • Convoluciones en profundidad (depthwise convolutions): Aplican un filtro separado a cada canal de entrada.
    • Convoluciones punto a punto (pointwise convolutions): Realizan una convolución 1x1 para combinar características.
  • Esta combinación reduce significativamente el número de parámetros y mejora la eficiencia.
• EfficientNet. Creada en el año 2019, propuso una arquitectura escalable que optimiza el equilibrio entre profundidad, ancho y resolución de entrada. Utiliza coeficientes de escalado para ajustar automáticamente la profundidad, el ancho y la resolución.

Referencias

https://es.wikipedia.org/wiki/Red_neuronal_convolucional

https://wiki-imcr.vercel.app/Presentaciones/CNN

https://www.ibm.com/es-es/topics/convolutional-neural-networks

https://es.mathworks.com/discovery/convolutional-neural-network.html

Arquitecturas de redes neuronales populares - Promptengineer

Imagen CNN https://www.researchgate.net/figure/Figura-2-Arquitectura-CNN-implementada_fig2_359262472

https://theaisummer.com/cnn-architectures/