Las redes neuronales convolucionales (CNN) son un modelo de aprendizaje profundo que es particularmente adecuado para el reconocimiento de imágenes, análisis de video, procesamiento del lenguaje natural y otros campos. El diseño de CNN está inspirado en sistemas de visión biológica y utiliza una estructura jerárquica para capturar características locales y patrones globales en los datos.

Década de 1950: Frank Rosenblatt propuso el Perceptrón, uno de los primeros modelos de redes neuronales.

Década de 1980: Yann LeCun y otros propusieron LeNet-5, que fue la primera CNN aplicada con éxito al reconocimiento de dígitos escritos a mano.

1998: Yann LeCun y otros desarrollaron LeNet-5 y propusieron una versión mejorada de LeNet-5 para el reconocimiento de códigos postales escritos a mano.

2012: Alex Krizhevsky y otros propusieron AlexNet, la primera CNN en lograr resultados revolucionarios en el Desafío de reconocimiento visual a gran escala de ImageNet (ILSVRC).

2014: VGGNet logró mejores resultados en ILSVRC, demostrando las ventajas de estructuras de red más profundas.

2014: Google propuso la arquitectura Inception (GoogLeNet), que mejoró la eficiencia informática de la red mediante la introducción del módulo Inception.

2015: Microsoft propuso ResNet (Red Residual), que resolvió el problema del gradiente que desaparece en el entrenamiento de redes profundas a través de conexiones residuales.

Hasta ahora: CNN continúa evolucionando, con la aparición de nuevas estructuras de red como EfficientNet y Vision Transformer, así como una mayor optimización en diversos campos de aplicación.

...

Capa de entrada: recibe datos sin procesar, como los valores de píxeles de una imagen.

Capa de convolución: utilice núcleos de convolución para extraer características locales.

Capa de activación: introduce no linealidad, como ReLU.

Capa de agrupación: reduzca la dimensión de los datos, reduzca la cantidad de cálculo y evite el sobreajuste.

Capa completamente conectada: asigna características al resultado final, como etiquetas de clasificación.

Capa de salida: genera el resultado final de la red.

Operación de convolución: deslice el núcleo de convolución sobre los datos de entrada para extraer características locales.

Peso compartido: el mismo núcleo de convolución comparte pesos en todos los datos de entrada, lo que reduce los parámetros del modelo.

Agrupación: reducción de resolución de un área local, como agrupación máxima o agrupación promedio.

Función de activación: introduce no linealidad, como ReLU, Sigmoid, Tanh, etc.

Núcleo de convolución (filtro): la matriz de peso utilizada para extraer características en la capa convolucional.

Zancada: el tamaño del paso para que el núcleo de convolución se mueva en los datos de entrada.

...

LeNet-5: modelo temprano de CNN para reconocimiento de dígitos escritos a mano.

AlexNet: presenta la función de activación ReLU, reduce la cantidad de parámetros y mejora la velocidad de entrenamiento.

VGGNet: utiliza pequeños núcleos de convolución y una estructura de red más profunda.

InceptionNet: Presentamos el módulo Inception para mejorar la eficiencia informática de la red.

ResNet: resuelva el problema del gradiente que desaparece en el entrenamiento de redes profundas a través de conexiones residuales.

SqueezeNet: demuestra que las CNN pueden mantener un alto rendimiento incluso con una pequeña cantidad de parámetros.

...

CNN extrae características locales de la imagen mediante operaciones de agrupación y convolución multicapa, y realiza la clasificación a través de capas completamente conectadas. Las operaciones de convolución pueden capturar características de bajo nivel, como bordes y texturas, en imágenes, mientras que las redes profundas pueden aprender patrones más complejos. Al compartir y agrupar el peso, CNN puede manejar eficazmente grandes conjuntos de datos y reducir el riesgo de sobreajuste.

Reconocimiento de imágenes: como reconocimiento de dígitos escritos a mano, reconocimiento de objetos, etc.

Segmentación de imágenes: segmente la imagen en múltiples regiones para análisis de imágenes médicas, etc.

Análisis de vídeo: utilizado para reconocimiento de comportamiento, videovigilancia, etc.

Reconocimiento de voz: aunque CNN se utiliza principalmente para el procesamiento de imágenes, también se puede utilizar para la extracción de características de señales de voz.

...

Requisitos de recursos informáticos: las redes profundas requieren una gran cantidad de recursos informáticos y espacio de almacenamiento.

Requisitos de volumen de datos: para entrenar un modelo de alto rendimiento, se requiere una gran cantidad de datos anotados.

Interpretabilidad: el mecanismo de funcionamiento interno de CNN no es tan transparente como los modelos superficiales, lo que dificulta explicar su proceso de toma de decisiones.

Sensible al tamaño de entrada: las CNN son algo sensibles al tamaño y la escala de los datos de entrada y pueden requerir pasos de preprocesamiento.

Extracción de características locales: CNN es buena para extraer características locales, pero puede tener dificultades para capturar información contextual global.

...