Sieci CNN rozpoznają wzorce na obrazach dzięki specjalistycznym warstwom. To jest prosta odpowiedź i właściwe miejsce, by zacząć. W konwolucyjnej sieci neuronowej wczesne warstwki szukają małych fragmentów wizualnych, takich jak krawędzie, linie czy tekstura. Późniejsze warstwy łączą te elementy w większe kształty i części obiektów.
Podoba mi się ten aspekt sieci CNN, ponieważ ich projekt jest przejrzysty, gdy odrzucymy szum. Sieć nie analizuje całego obrazu w jednym płaskim bloku. Skanuje ona małe fragmenty obrazu za pomocą filtrów, zwanych również jądrami (kernels), i uczy się, które lokalne wzorce są istotne. Każdy filtr przesuwa się po obrazie, tworząc mapę cech, która jest po prostu siatką wykrytych sygnałów.
To podejście ma znaczenie, ponieważ obrazy mają strukturę. Sąsiednie piksele często należą do siebie razem. Mały fragment może pokazywać krawędź, róg lub prostą krzywą. Warstwa konwolucyjna dobrze radzi sobie z znajdowaniem tych lokalnych wzorców, ponieważ ponownie używa tego samego filtra na całym obrazie. Ten podział wag utrzymuje model skupiony i sprawia, że jest on znacznie bardziej praktyczny niż gęsty model dla surowych obrazów.
Warstwy pulujące (pooling) pomagają w tym procesie. Zmniejszają one rozmiar map cech i zachowują najsilniejsze lub najbardziej przydatne sygnały z małych regionów. Prosząc o to, aby w prostych słowach: pulowanie redukuje rozmiar, próbując jednocześnie zachować ważne części. Pomaga to późniejszym warstwom pracować na czystszych, mniejszych danych. Uczynia też model mniej wrażliwym na drobne przesunięcia w miejscu występowania obiektu.
Dlatego sieci CNN stały się tak użyteczne w zadaniach związanych z obrazami. Model może nauczyć się ścieżki od prostych elementów wizualnych do bardziej złożonych. Wczesne warstwy mogą wykryć krawędź. Głębsze warstwy mogą łączyć krawędzie w kształt. Jeszcze głębsze warstwy mogą reagować na części obiektów, takie jak koła, oczy czy pociągnięcia tekstu. Dokładne warstwy i wzorce zależą od danych treningowych, ale hierarchiczna struktura jest kluczową ideą.
Uważam, że najważniejszą rzeczą do zapamiętania jest to: sieci CNN nie „rozumieją” obrazów w sposób, w jaki robią to ludzie. Uczą się detektorów wzorców z danych. Jeśli dane treningowe są dobre, sieć może nauczyć się przydatnych cech wizualnych. Jeśli dane są słabe, obciążone błędami lub zbyt małe, nauczone wzorce mogą być również słabe. Struktura pomaga, ale nie naprawia złych danych.
Jest jeden uczciwy limit wart zapamiętania. Sieci CNN są silne w uczeniu lokalnych wzorców, ale nie są doskonałe w rozumieniu szerokiego kontekstu sceny. Sieć CNN może przeoczyć kontekst, jeśli wskazówka rozciąga się na większy obszar lub jeśli obraz zmienia się w sposób, którego model nie widział podczas treningu. Dlatego nowoczesne systemy wizyjne często łączą idee CNN z innymi typami modeli lub wykorzystują dodatkowe sztuczki treningowe. Dziedzina ciągle ewoluuje, ale główna lekcja dotycząca sieci CNN się nie zmieniła.
Czysta odpowiedź na to pytanie brzmi więc następująco: konwolucyjna sieć neuronowa w uczeniu maszynowym to model, który identyfikuje wzorce na obrazach za pomocą specjalistycznych warstw, głównie konwolucji i pulowania. Konwolucja znajduje lokalne cechy. Pulowanie przycina i zachowuje użyteczne części. Połączone ze sobą te warstwy pozwalają sieci budować proste elementy obrazu na coraz bardziej użyteczne cechy wizualne.
Takiego rodzaju wyjaśnienia chcę utrzymywać jako praktyczne. Jedna koncepcja, jeden mechanizm działania i jeden uczciwy limit. To także obietnica The Model Log: jedna praktyczna koncepcja AI, jeden działający przykład i jedno szczere spojrzenie na to, co naprawdę działa.
