Konvolutionsnätverk

Konvolutionsnätverk, ofta förkortat CNN eller ConvNet, är en typ av djupa neurala nätverk som är särskilt effektiva för att bearbeta data med ett rutnätliknande topologi, såsom bilder. De är inspirerade av den biologiska visuella cortexen hos djur. Till skillnad från traditionella neurala nätverk, som behandlar alla inkommande data som en enda vektor, utnyttjar konvolutionsnätverk strukturen i data, vilket gör dem mer lämpade för uppgifter som bildigenkänning, objektigenkänning och bildsegmentering.

Kärnan i ett konvolutionsnätverk är konvolutionslagret. Detta lager utför en matematisk operation som kallas konvolution, där ett litet filter (eller kärna) sveper över indata för att producera en utdata som kallas en funktionskarta. Filtret identifierar specifika lokala mönster, såsom kanter, hörn eller texturer. Genom att använda flera filter kan nätverket extrahera en hierarki av funktioner, från enkla till komplexa.

Utöver konvolutionslager innehåller CNN vanligtvis poolningslager (även kallade sub-sampling-lager), som reducerar dimensionerna på funktionskartorna, vilket minskar beräkningskostnaden och hjälper till att göra nätverket mer robust mot små variationer i indata. Vanliga poolningsoperationer inkluderar max-pooling och average-pooling. Efter flera konvolutions- och poolningslager följer ofta helt anslutna lager, som utför den slutliga klassificeringen baserat på de extraherade egenskaperna. Träningen av konvolutionsnätverk sker vanligtvis med hjälp av backpropagation-algoritmen.