Convolutional Neuroural Networks (CNN) on sarja syväoppimismalleja, joita käytetään ensisijaisesti visuaalisen tiedon käsittelyyn. Ne on suunniteltu automaattisesti ja mukautuvasti oppimaan avaruuden hierarkioita ominaisuuksia backpropagation avulla. CNN:ien periaatteiden, laskelmien ja sovellusten ymmärtäminen on olennaista tehokkaiden koneoppimisratkaisujen kehittämisessä.

CNN-suunnittelun periaatteet

CNN:n ydinajatuksena on jäljitellä ihmisaivojen visuaalista käsittelyjärjestelmää. Ne käyttävät konvolutionaalisia kerroksia paikallisten ominaisuuksien tunnistamiseen, yhdistysten tasojen pienentämiseen ja täysin yhdistettyjen tasojen luokitteluun. Oikea suunnittelu edellyttää tasojen, suodatinkokojen ja aktivointitoimintojen valitsemista suorituskyvyn optimoimiseksi.

CNN-määritelmissä esitetyt laskelmat

CNN-arvoissa on mukana konvoluutiotoimintoja, jotka laskevat ominaisuuskarttoja liukumalla suodattimia syöttötietojen päälle. Yhden konvoluution operaatiokaava on:

]Output = Summa of (Input segment × Filter weights) + Bias

Yhdistämiskerrokset tekevät maksimaalisen tai keskimääräisen yhtymän avulla alennettavia näytteitä tilan mittojen pienentämiseksi. ReLUn kaltaiset aktivointitoiminnot tuovat esiin epälineaarisuutta, mikä mahdollistaa verkoston monimutkaisten kuvioiden oppimisen.

CNN-numeroiden hakemukset

CNN:iä käytetään laajalti eri aloilla, kuten kuvan ja videontunnistuksen, lääketieteellisen kuvan analyysin, autonomisten ajoneuvojen ja kasvojentunnistusjärjestelmien. Niiden kyky poimia automaattisesti merkityksellisiä ominaisuuksia tekee niistä erittäin tehokkaita tehtäviä, joihin liittyy visuaalista tietoa.

  • Kuvan luokittelu
  • Esineen havaitseminen
  • Kasvojentunnistus
  • Lääketieteellinen kuvantamisanalyysi