В чем заключается принцип работы конволюционных нейронных сетей?

Принцип работы конволюционных нейронных сетей (CNN) заключается в автоматическом и адаптивном обучении пространственным иерархиям признаков непосредственно из входных данных. www.ultralytics.com

CNN состоят из нескольких ключевых слоёв, которые обрабатывают и преобразуют визуальную информацию: www.ultralytics.com

1. Конволюционные слои. www.ultralytics.com Применяют набор обучаемых фильтров (ядер) к входному изображению. www.ultralytics.com Каждый фильтр обнаруживает определённые особенности, такие как края, углы или текстуры. www.ultralytics.com По мере того как фильтр скользит (свертывается) по входному изображению, он создаёт карты признаков, которые выделяют местоположение и силу обнаруженных признаков. www.ultralytics.com
2. Активационные слои. www.ultralytics.com Вводят нелинейность, что позволяет сети обучаться более сложным схемам, выходящим за рамки простых линейных комбинаций. www.ultralytics.com
3. Слои пулинга. neuro-maximum.store www.ultralytics.com Уменьшают пространственные размеры (ширину и высоту) карт признаков, снижая вычислительную нагрузку и контролируя чрезмерную подгонку. www.ultralytics.com
4. Полностью подключённые слои. www.ultralytics.com Обычно находятся в конце сети и соединяют каждый нейрон предыдущего слоя с каждым нейроном текущего слоя. www.ultralytics.com Они используют высокоуровневые признаки, извлечённые конволюционными и объединяющими слоями, для выполнения задач классификации или регрессии, например, для присвоения окончательной метки изображению. www.ultralytics.com

Работа CNN обычно интерпретируется как переход от конкретных особенностей изображения к более абстрактным деталям, и далее к ещё более абстрактным деталям вплоть до выделения понятий высокого уровня. ru.ruwiki.ru При этом сеть самонастраивается и вырабатывает сама необходимую иерархию абстрактных признаков (последовательности карт признаков), фильтруя маловажные детали и выделяя существенное. ru.ruwiki.ru