Principio de la red neuronal convolucional

La red neuronal convolucional es una red neuronal de retroalimentación inspirada en el mecanismo cognitivo visual natural biológico. Ahora, CNN se ha convertido en uno de los puntos de investigación en muchos campos científicos, especialmente en el campo de la clasificación de patrones. Debido a que este tipo de red evita el preprocesamiento complejo de imágenes y puede ingresar directamente imágenes originales, se ha utilizado ampliamente. Se puede aplicar a clasificación de imágenes, reconocimiento de objetivos, detección de objetivos, segmentación semántica y otros campos. Puede utilizarse como estructura básica de una red neuronal convolucional para la clasificación de imágenes.

1. Definición

La red neuronal convolucional (CNN) es una red neuronal de avance con una estructura profunda, que incluye cálculos convolucionales, y es uno de los algoritmos representativos del aprendizaje profundo. Las redes neuronales convolucionales tienen la capacidad de representar el aprendizaje y pueden clasificar la información de entrada de manera invariante en la traducción de acuerdo con su estructura jerárquica, por lo que también se la denomina "red neuronal artificial invariante en la traducción (SIANN)".

2. Características

En comparación con la red neuronal presentada anteriormente, la red neuronal tradicional solo tiene conexiones lineales, mientras que CNN incluye operaciones de * * convolución * * y * * operaciones de agrupación y no. -Mapeo de función de activación lineal (es decir, conexión lineal) * * y así sucesivamente.

3. Aplicaciones y redes típicas

Red CNN clásica:

Red Alex

Red VGG

Resnet

Aplicaciones comunes:

La aplicación del aprendizaje profundo en el reconocimiento de imágenes por computadora tiene mucho éxito. Utilizando el aprendizaje profundo, podemos identificar imágenes con gran precisión. Para lograr esta función, nos basamos principalmente en una rama de las redes neuronales llamadas redes convolucionales.