Red neuronal convolucional (CNN)

Componentes básicos y funcionalidad

Las CNN suelen estar compuestas por varias capas distintas que trabajan juntas para extraer y procesar información de entradas visuales:

• Capas convolucionales: Son los componentes básicos. Aplican filtros (núcleos) a la imagen de entrada para crear mapas de características que resalten patrones específicos como bordes, esquinas o texturas. La operación de convolución permite a la red aprender características relevantes para la tarea.
• Funciones de activación: Aplicadas después de las capas convolucionales, funciones como ReLU (Unidad Lineal Rectificada) o ReLU Fugaz introducen la no linealidad, lo que permite a la red aprender relaciones más complejas en los datos. Más información sobre las distintas funciones de activación.
• Capas de agrupamiento: Estas capas reducen las dimensiones espaciales (anchura y altura) de los mapas de características, disminuyendo la carga computacional y ayudando a que las características aprendidas sean más robustas a las variaciones de posición. Entre las técnicas comunes de agrupación están la Agrupación Máxima y la Agrupación Media, detalladas en recursos como esta visión general de los métodos de agrupación.
• Capas totalmente conectadas: Estas capas, que suelen encontrarse al final de la red, toman las características de alto nivel extraídas por las capas convolucionales y de agrupación y las utilizan para tareas de clasificación o regresión, de forma similar a las capas de una red neuronal estándar de avance.

Principales diferencias con otras redes neuronales

Aunque comparten conceptos fundamentales con otras redes neuronales, las CNN poseen características únicas:

• Aprendizaje de jerarquías espaciales: Las CNN destacan en el reconocimiento de patrones y jerarquías espaciales en datos como imágenes, gracias a sus capas convolucionales y campos receptivos locales. Las NN estándar suelen tratar las características de entrada de forma independiente, perdiendo el contexto espacial.
• Compartición de parámetros: Los filtros se comparten en toda la imagen de entrada en las capas convolucionales, lo que reduce significativamente el número de parámetros en comparación con las redes totalmente conectadas y mejora la eficacia.
• Enfoque del caso de uso: Las CNN son la arquitectura a la que se recurre para tareas de análisis de imágenes y vídeos. En cambio, las Redes Neuronales Recurrentes (RNN) son más adecuadas para datos secuenciales como el texto para el Procesamiento del Lenguaje Natural (PLN) o el análisis de series temporales.

Aplicaciones en el mundo real

Las CNN han demostrado un éxito notable en numerosos dominios. He aquí dos ejemplos destacados:

1. Análisis de imágenes médicas: Las CNN ayudan a los profesionales médicos analizando radiografías, tomografías computarizadas y resonancias magnéticas para detectar anomalías sutiles como tumores o fracturas. Esto contribuye significativamente a la IA en la asistencia sanitaria, al permitir diagnósticos más rápidos y potencialmente más precisos. La investigación sigue superando los límites, como demuestran los estudios disponibles en plataformas como PubMed Central.
2. Vehículos autónomos: Los coches autónomos dependen en gran medida de las CNN para la detección de objetos en tiempo real (identificación de peatones, coches, señales de tráfico) y la segmentación de imágenes (comprensión de los carriles de la carretera, obstáculos). Esta percepción visual es crucial para la navegación segura en entornos complejos, y constituye el núcleo de la IA en los coches autónomos.

Herramientas y marcos

El desarrollo y despliegue de las CNN se ve facilitado por varias potentes herramientas y marcos de aprendizaje profundo:

• Marcos de trabajo: Las opciones más populares son PyTorch, TensorFlowy Keras, que proporcionan capas preconstruidas, optimizadores y soporte para aceleración por hardware como las GPU. Puedes encontrar entradas de glosario para PyTorch, TensorFlowy Keras.
• EcosistemaUltralytics : Herramientas como Ultralytics YOLO proporcionan modelos basados en CNN de última generación optimizados para la detección de objetos y otras tareas de CV. La plataforma Ultralytics HUB simplifica el proceso de entrenamiento, despliegue y gestión de estos modelos sin necesidad de una codificación exhaustiva. Explora los consejos de entrenamiento de modelos para optimizar tus CNN.