Co to są CNN (Sieci Neuronowe Konwolucyjne)?

Być może zastanawiałeś się, jak Facebook (META ) lub Instagram są w stanie automatycznie rozpoznawać twarze na zdjęciu, lub jak Google (GOOGL ) pozwala wyszukiwać zdjęcia w sieci tylko poprzez przesłanie zdjęcia. Te funkcje są przykładami komputerowego widzenia, a są one napędzane przez sieci neuronowe konwolucyjne (CNN). Ale co dokładnie są sieci neuronowe konwolucyjne? Zanurzmy się głęboko w architekturę CNN i zrozumiemy, jak one działają.

Co to są Sieci Neuronowe?

Przed rozpoczęciem rozmowy o sieciach neuronowych konwolucyjnych, poświęćmy chwilę na zdefiniowanie zwykłych sieci neuronowych. Istnieje inny artykuł na temat sieci neuronowych, więc nie będziemy się tym zajmować zbyt głęboko. Jednak aby je krótko zdefiniować, są to modele obliczeniowe inspirowane ludzkim mózgiem. Sieć neuronowa działa poprzez przyjmowanie danych i manipulowanie nimi poprzez dostosowanie “wag”, które są założeniami o tym, jak cechy wejściowe są ze sobą powiązane i jak są one powiązane z klasą obiektu. Podczas szkolenia sieci, wartości wag są dostosowywane i powinny one zbiec się do wag, które dokładnie ujmują relacje między cechami.

To jest sposób, w jaki działa sieć neuronowa z przekazywaniem do przodu, a CNN składają się z dwóch części: sieci neuronowej z przekazywaniem do przodu i grupy warstw konwolucyjnych.

Co to są Sieci Neuronowe Konwolucyjne (CNN)?

Co to są “konwolucje”, które zachodzą w sieci neuronowej konwolucyjnej? Konwolucja jest operacją matematyczną, która tworzy zestaw wag, tworząc reprezentację części obrazu. Ten zestaw wag nazywany jest jądrem lub filtrem. Filtrowanie, które jest tworzone, jest mniejsze niż cały obraz wejściowy, pokrywając tylko podzbiór obrazu. Wartości w filtrze są mnożone przez wartości w obrazie. Filtrowanie jest następnie przenoszone, aby utworzyć reprezentację nowej części obrazu, a proces jest powtarzany, aż cały obraz zostanie pokryty.

Inny sposób myślenia o tym jest wyobrażenie sobie muru z cegieł, z cegłami reprezentującymi piksele w obrazie wejściowym. “Okno” jest przesuwane wzdłuż muru, co jest filtrowaniem. Cegły, które są widoczne przez okno, są pikselami, których wartości są mnożone przez wartości w filtrze. Dlatego ten sposób tworzenia wag z filtrowaniem jest często nazywany “techniką przesuwania okna”.

Wynik z filtrów przesuwanych po całym obrazie wejściowym jest dwuwymiarową tablicą reprezentującą cały obraz. Tablica ta nazywana jest “mapą cech”.

Dlaczego Konwolucje są Niezbędne

Jaki jest cel tworzenia konwolucji? Konwolucje są konieczne, ponieważ sieć neuronowa musi być w stanie interpretować piksele w obrazie jako wartości numeryczne. Funkcja warstw konwolucyjnych jest przekształcenie obrazu w wartości numeryczne, które sieć neuronowa może zinterpretować, a następnie wyodrębnić istotne wzorce. Praca filtrów w sieci konwolucyjnej polega na tworzeniu dwuwymiarowej tablicy wartości, które mogą być przekazane do późniejszych warstw sieci neuronowej, które będą uczyć się wzorców w obrazie.

Filtry i Kanały

Zdjęcie: cecebur via Wikimedia Commons, CC BY SA 4.0 (https://commons.wikimedia.org/wiki/File:Convolutional_Neural_Network_NeuralNetworkFeatureLayers.gif)

CNN nie używa tylko jednego filtra, aby nauczyć się wzorców z obrazów wejściowych. Używa się wielu filtrów, ponieważ różne tablice utworzone przez różne filtry prowadzą do bardziej złożonej, bogatszej reprezentacji obrazu wejściowego. Typowe liczby filtrów dla CNN to 32, 64, 128 i 512. Im więcej filtrów, tym więcej możliwości ma CNN do badania danych wejściowych i uczenia się z nich.

CNN analizuje różnice w wartościach pikseli, aby określić granice obiektów. W przypadku obrazu w odcieniach szarości, CNN będzie brał pod uwagę tylko różnice między czernią i bielą, jasnością i ciemnością. Kiedy obrazy są w kolorze, CNN musi brać pod uwagę nie tylko ciemność i jasność, ale także trzy różne kanały kolorów – czerwony, zielony i niebieski. W tym przypadku filtry posiadają 3 kanały, tak jak sam obraz. Liczba kanałów, które filtry posiadają, nazywana jest ich głębią, a liczba kanałów w filtrze musi odpowiadać liczbie kanałów w obrazie.

Architektura Sieci Neuronowej Konwolucyjnej (CNN)

Zobaczmy całą architekturę sieci neuronowej konwolucyjnej. Warstwa konwolucyjna znajduje się na początku każdej sieci konwolucyjnej, ponieważ jest konieczna do przekształcenia danych obrazu w tablice numeryczne. Jednak warstwy konwolucyjne mogą również następować po innych warstwach konwolucyjnych, co oznacza, że te warstwy mogą być stapiane na siebie. Posiadanie wielu warstw konwolucyjnych oznacza, że dane wyjściowe z jednej warstwy mogą przejść dalsze konwolucje i być grupowane w istotne wzorce. Praktycznie oznacza to, że gdy dane obrazu przechodzą przez warstwy konwolucyjne, sieć zaczyna “rozpoznawać” bardziej złożone cechy obrazu.

Wczesne warstwy sieci konwolucyjnej są odpowiedzialne za wyodrębnienie niskopoziomowych cech, takich jak piksele, które tworzą proste linie. Późniejsze warstwy sieci konwolucyjnej połączą te linie w kształty. Ten proces przechodzenia od powierzchniowej analizy do głębokiej analizy trwa, aż sieć konwolucyjna zacznie rozpoznawać złożone kształty, takie jak zwierzęta, ludzkie twarze i samochody.

Po przejściu danych przez wszystkie warstwy konwolucyjne, przechodzą one do gęsto połączonej części sieci neuronowej. Warstwy gęsto połączone są tym, co tradycyjna sieć neuronowa z przekazywaniem do przodu wygląda – seria węzłów ułożonych w warstwy, połączonych ze sobą. Dane przechodzą przez te gęsto połączone warstwy, które uczą się wzorców, które zostały wyodrębnione przez warstwy konwolucyjne, a w ten sposób sieć staje się w stanie rozpoznawać obiekty.