Redes convolucionales
Por qué no una capa densa
Tratar una imagen como vector ignora que píxeles vecinos están relacionados, y conecta millones de parámetros. La convolución respeta la topología y recorta drásticamente el coste con pesos compartidos.
La operación de convolución
- Un filtro recorre la entrada calculando productos escalares locales.
- Cada filtro aprende a responder a un patrón: un borde, una textura.
- El resultado es un mapa de activaciones que dice dónde aparece ese patrón.
Compartir pesos
El mismo filtro se aplica en todas las posiciones, así un borde detectado arriba sirve también abajo. Ese intercambio de pesos da invariancia traslacional y reduce la cantidad de parámetros.
Canales y profundidad
Las capas apilan muchos filtros a la vez; cada uno ve los canales de la capa anterior. El grosor del volumen de activaciones es el número de filtros, y crecer en profundidad enriquece las características.
Pooling
Reducir con max pooling o promedio achica los mapas, da tolerancia a pequeñas deformaciones y amplía el campo receptivo. Resumen sin tirar la información esencial de dónde estaba lo detectado.
Campo receptivo
Es la región de la imagen que influye en una neurona de una capa dada. Capas y pooling lo ensanchan: una neurona profunda «ve» un área enorme aunque cada filtro sea pequeño.
Jerarquía de características
Al apilar convoluciones, la red compone: de bordes a esquinas y texturas, de ahí a partes y por fin a objetos. Esa jerarquía emergente es el corazón del aprendizaje profundo en visión.
Del bloque a la clasificación
Tras las capas convolucionales, un aplanado y unas capas densas convierten el volumen de características en una probabilidad por clase. La CNN aprende los filtros; la parte final decide.
Errores frecuentes
- Tratar la imagen como un vector plano con capas densas, ignorando las vecindades y disparando el número de parámetros.
- Confundir el número de filtros con el de capas: los filtros ensanchan el volumen, las capas lo profundizan por composición.
- Olvidar que la convolución es invariante a traslación pero no a rotaciones ni escalas grandes, que hay que cubrir con aumento.
Ejemplo resuelto: de píxeles a un dígito
Queremos que una CNN reconozca un dígito escrito a mano. Recorremos el flujo de una imagen hasta la decisión:
- Entrar el dígito como un mapa de píxeles con sus canales.
- Aplicar filtros que responden a bordes y trazos locales, generando mapas de activación.
- Reducir con pooling para ganar tolerancia a pequeños desplazamientos y ampliar el campo receptivo.
- Apilar más capas que componen trazos en partes y las partes en el dígito completo.
- Aplanar el volumen final y clasificar con una capa densa la probabilidad de cada dígito.
¿Para qué sirve en la realidad?
Las CNN son el caballo de batalla de la visión artificial: del reconocimiento de objetos a la lectura de matrículas o el diagnóstico por imagen, donde la estructura espacial de los datos es la clave que explotan.
La convolución reduce parámetros frente a una capa totalmente conectada principalmente porque:
El max pooling hace que la representación sea ligeramente tolerante a pequeñas traslaciones del patrón.
CNN
Ordena el flujo de una CNN de clasificación desde la imagen hasta la decisión:
Entrada
Convolucion
Pooling
Salida
Red convolucional
Arquitectura, operaciones y uso de las CNN en visión.
Une cada pieza de la CNN con su papel.
Pensar en parches, no en vectores
# Redes convolucionales ## Convolución ### filtros locales ### pesos compartidos ## Pooling ### reduce mapas ### tolera traslaciones ## Profundidad ### campo receptivo mayor ### de bordes a objetos ## Salida ### aplanar ### clasificar
Qué son las CNN según IBM
Explicación de la arquitectura convolucional y sus usos en visión.
Tras un giro de 90 grados, tu clasificador de dígitos falla. Teniendo en cuenta el campo receptivo y el pooling, ¿qué le falta a la CNN y cómo lo compensarías en el entrenamiento?