Convolutional Neuroural Networks (CNN) on sarja syväoppimismalleja, joita käytetään ensisijaisesti visuaalisen datan analysointiin. Ne on suunniteltu automaattisesti ja mukautuvasti oppimaan paikkatietojen hierarkioita. CNN:t ovat tulleet keskeisiksi eri toimialoilla, koska ne ovat erittäin tarkkoja ja tehokkaita kuvantunnistustehtävissä.

Konvolutionaalisten hermoverkkojen teoria

CNN koostuu useista kerroksista, kuten konvolutionaalikerroksista, yhdistelmistä ja täysin liitetyistä kerroksista. Konvolutionaaliset kerrokset käyttävät suodattimia syöttötietoihin havaitakseen ominaisuuksia, kuten reunoja, tekstuureja ja muotoja. Yhdistämiskerrokset vähentävät tilamittauksia, auttavat vähentämään laskentakuormaa ja kontrolloimaan ylivarustelua. Täysin liitetyt kerrokset tulkitsevat uutteita ominaisuuksia tehdäkseen ennusteita.

CNN-määritelmissä käytettävät laskelmat

CNN:n ydinlaskelmiin kuuluu konvoluutiotoimintoja, joissa suodattimet liukuvat syöttötietojen yli tuottaakseen ominaisuuskarttoja. Matemaattinen toiminta on pistetuote suodattimen painojen ja tulosegmentin välillä. Stride- ja pehmustusparametrit vaikuttavat tulosteominaiskarttojen kokoon. Aktivointitoiminnot kuten ReLU ottavat käyttöön ei-lineaarisuuden, mikä mahdollistaa verkoston oppimaan monimutkaisia kuvioita.

Teollisuuskäyttötapaukset

CNN:iä käytetään laajalti eri toimialoilla. Terveydenhoidossa ne auttavat lääketieteellisen kuvanmäärityksen, kuten havaitsemalla kasvaimia magneettikuvat. Autoalalla CNN:t teho autonominen ajoneuvon visiojärjestelmät objektin havaitsemiseen ja navigointiin. Vähittäisyritykset käyttävät CNN:iä kuvapohjaisiin tuotehakuihin ja varastonhallintaan. Muita aloja ovat turvallisuus, viihde ja maatalous, jossa visuaalinen data-analyysi on ratkaisevan tärkeää.