Reti neurali convoluzionali
Le reti neurali convoluzionali (CNN) sono l'architettura del cavallo di battaglia per la comprensione delle immagini.
Panoramica
Apprendono i modelli visivi facendo scorrere piccoli filtri su un'immagine, motivo per cui alimentano tutto, dallo sblocco facciale all'analisi delle scansioni mediche.
Immersione profonda
Una CNN elabora un'immagine facendo scorrere piccole griglie di pesi, chiamate filtri o kernel, sui pixel. Ciascun filtro esegue la scansione di un motivo, ad esempio un bordo, una macchia di colore o un angolo. I primi strati rilevano caratteristiche semplici; gli strati più profondi li combinano in occhi, ruote o testo. Poiché lo stesso filtro viene riutilizzato in ogni posizione (condivisione del peso), una CNN ha bisogno di molti meno parametri di una rete completamente connessa e può individuare un gatto sia che appaia in alto a sinistra o in basso a destra. I livelli di raggruppamento riducono l'immagine tra un passaggio e l'altro, rendendo la rete più veloce e più tollerante ai piccoli spostamenti. Progetti di riferimento come LeNet, AlexNet (2012) e ResNet hanno guidato il boom del deep learning, con la vittoria di ImageNet di AlexNet che ha dato il via all'era moderna del settore.
Approfondimento tecnico
L'operazione principale è la convoluzione: un filtro (diciamo 3x3 pesi) viene sovrapposto a un patch di pixel, ogni peso viene moltiplicato per il suo pixel e i risultati vengono sommati in un numero di output. Facendo scorrere il filtro si produce una mappa delle caratteristiche. Due idee lo rendono efficiente: la condivisione del peso (un filtro riutilizzato ovunque) e la connettività locale (ogni neurone vede solo una piccola regione). La convoluzione dello stack, una non linearità come ReLU e il pooling consentono alla rete di costruire una gerarchia di caratteristiche visive sempre più astratte.
Impatto strategico
Decisioni più chiare
Ti aiuta a separare le chiare affermazioni tecniche dal linguaggio di marketing.
Costo e budget
Puoi porre domande sull'implementazione migliore prima di spendere denaro o tempo.
Team e flusso di lavoro
I team con una comprensione condivisa prendono decisioni migliori su prodotti, politiche e apprendimento.
Il futuro delle reti neurali convoluzionali
Le CNN rimangono dominanti nella visione in tempo reale e con risorse limitate, come le fotocamere dei telefoni e la percezione della guida autonoma, perché sono veloci ed efficienti in termini di dati. I Vision Transformers ora rivaleggiano o li battono su set di dati di grandi dimensioni, quindi il campo sta convergendo su progetti ibridi che combinano l'efficienza della convoluzione con il ragionamento globale dell'attenzione. Aspettatevi che le CNN persistano nei dispositivi embedded ed edge, nell’imaging medico dove i dati sono scarsi e come efficienti estrattori di funzionalità che alimentano sistemi multimodali più grandi per gli anni a venire.
Implementazione nel mondo reale
Rilevamento di tumori, fratture e retinopatia diabetica tramite radiografie, scansioni TC e foto della retina
Potenziamento del riconoscimento facciale per lo sblocco del telefono e il tagging delle foto in app come Google Foto
Lettura di segnali stradali, segnaletica orizzontale e pedoni nei sistemi di percezione delle auto a guida autonoma
Segnalazione automatica dei prodotti difettosi sulle linee di assemblaggio della fabbrica tramite ispezione tramite telecamera
Rischi e guardrail
Team diversi possono utilizzare lo stesso termine in modo diverso, quindi definisci l'ambito in anticipo.
I benchmark possono sembrare solidi mentre le prestazioni nel mondo reale non sono uniformi.
Ignorare la qualità dei dati e i piani di valutazione spesso crea risultati fragili.
Tabella di marcia per l'implementazione
Inizia con una definizione in linguaggio semplice del risultato di cui hai bisogno.
Scegli una metrica di successo e una condizione di fallimento prima del test.
Esegui un piccolo progetto pilota con dati rappresentativi, non un set demo raffinato.
Documenta dove le reti neurali convoluzionali aiutano e dove i metodi più semplici sono migliori.
Continua a esplorare
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Convolutional Neural Networks quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Prossima guida
Grafico delle reti neurali
Domande frequenti
Che cos'è le Reti Neurali Convoluzionali?
Le reti neurali convoluzionali (CNN) sono l'architettura del cavallo di battaglia per la comprensione delle immagini. Imparano i modelli visivi facendo scorrere piccoli filtri su un'immagine, motivo per cui alimentano tutto, dallo sblocco facciale all'analisi della scansione medica.
Qual è il compito principale di un filtro (kernel) in una CNN?
Un filtro è una piccola griglia di pesi che scorre sull'immagine, attivandosi quando trova il motivo appreso, come un bordo o una trama.
Perché una CNN ha bisogno di molti meno parametri di una rete completamente connessa per le immagini?
La condivisione del peso significa che viene applicato un piccolo filtro ovunque nell'immagine, quindi la rete riutilizza gli stessi pesi invece di apprenderne di separati per ciascuna posizione di pixel.
Cosa fa in genere un livello di pooling?
Il pooling (come il pooling massimo) esegue il downsampling della mappa delle funzionalità, riducendo il calcolo e rendendo la rete meno sensibile al punto esatto in cui appare una funzionalità.
In una CNN profonda, come cambiano generalmente le caratteristiche dai primi strati agli strati successivi?
I primi livelli rilevano caratteristiche di basso livello come bordi e colori; gli strati più profondi li combinano in concetti di livello superiore come volti o parti di oggetti.
A quale evento è ampiamente riconosciuto il merito di aver dato il via al moderno boom del deep learning nella visione?
La straordinaria vittoria di AlexNet su ImageNet nel 2012 utilizzando una profonda CNN sulle GPU ha convinto i ricercatori che il deep learning avrebbe potuto surclassare i metodi più vecchi, innescando la rapida crescita del settore.