Konvoluutiohermoverkot (CNN) suunniteltiin alun perin kuvien tunnistamiseen tietokonenäön alalla. Nämä verkot ovat erikoistunut keinotekoisen hermoverkon tyyppi, joka on osoittautunut erittäin tehokkaaksi visuaalisen datan analysoinnissa. CNN-verkkojen kehitystä ohjasi tarve luoda malleja, jotka voisivat luokitella ja luokitella kuvat tarkasti, ja niiden menestys tällä alalla on johtanut niiden laajaan käyttöön useissa muissa sovelluksissa, kuten objektien havaitsemisessa, kuvien segmentoinnissa ja jopa luonnollisen kielen käsittelyssä.
CNN:t ovat saaneet inspiraationsa ihmisen aivojen näkökuoren rakenteesta ja toimivuudesta. Kuten visuaalinen aivokuori, CNN:t koostuvat useista kerroksista toisiinsa kytkettyjä hermosoluja, jotka käsittelevät syötetietojen eri näkökohtia. CNN-verkkojen avaininnovaatio on niiden kyky automaattisesti oppia ja poimia kuvista oleellisia ominaisuuksia, mikä poistaa manuaalisen ominaisuuksien suunnittelun tarpeen. Tämä saavutetaan käyttämällä konvoluutiokerroksia, jotka käyttävät suodattimia syöttökuvaan tunnistamaan erilaisia visuaalisia kuvioita ja piirteitä, kuten reunoja, kulmia ja tekstuureja.
Ensimmäinen läpimurto CNN:issä tuli Yann LeCunin et al.:n LeNet-5-arkkitehtuurin käyttöönoton myötä. Vuonna 1998. LeNet-5 oli erityisesti suunniteltu käsin kirjoitettujen numeroiden tunnistusta varten, ja se saavutti huomattavan suorituskyvyn MNIST-tietojoukossa, vertailutietojoukossa, jota käytetään laajasti kuvantunnistusalgoritmien arvioinnissa. LeNet-5 osoitti CNN-verkkojen voiman kaapata hierarkkisia piirteitä kuvista, mikä mahdollistaa tarkan luokittelun jopa mittakaavassa, käännössä ja käännöksissä tapahtuvien vaihteluiden läsnä ollessa.
Sittemmin CNN:t ovat kehittyneet merkittävästi, ja syvempiä ja monimutkaisempia arkkitehtuureja on kehitetty. Yksi merkittävä edistysaskel oli AlexNet-arkkitehtuurin käyttöönotto Alex Krizhevsky et al. vuonna 2012. AlexNet saavutti läpimurron kuvien luokittelussa voittamalla ImageNet Large Scale Visual Recognition Challengen (ILSVRC) -kilpailun huomattavasti pienemmällä virhetasolla kuin aikaisemmissa lähestymistavoissa. Tämä menestys tasoitti tietä CNN:iden laajalle käyttöönotolle kuvantunnistustehtävissä.
CNN-verkkoja on käytetty menestyksekkäästi myös muihin tietokonenäkötehtäviin. Esimerkiksi objektien tunnistuksessa CNN:t voidaan yhdistää lisäkerroksiin kuvien kohteiden paikallistamiseksi ja luokittamiseksi. Kuuluisa aluepohjainen konvoluutiohermoverkko (R-CNN), jonka esitteli Ross Girshick et al. vuonna 2014 on esimerkki tällaisesta arkkitehtuurista. R-CNN saavutti huippuluokan tuloksia kohteen havaitsemisen vertailuarvoissa hyödyntämällä CNN:iden tehoa piirteiden poimimiseen ja yhdistämällä sen alueehdotusmenetelmiin.
Konvoluutiohermoverkot suunniteltiin ensin kuvantunnistustehtäviin tietokonenäön alalla. Ne ovat mullistaneet alan oppimalla automaattisesti kuvista olennaiset ominaisuudet, mikä eliminoi manuaalisen ominaisuuksien suunnittelun tarpeen. CNN-verkkojen kehitys on johtanut merkittäviin edistysaskeliin kuvien luokittelussa, objektien havaitsemisessa ja monissa muissa tietokonenäkötehtävissä.
Muita viimeaikaisia kysymyksiä ja vastauksia liittyen EITC/AI/ADL Advanced Deep Learning:
- Miksi meidän täytyy soveltaa optimointeja koneoppimiseen?
- Milloin ylisovitus tapahtuu?
- Voivatko konvoluutiohermoverkot käsitellä peräkkäistä dataa sisällyttämällä konvoluutioita ajan mittaan, kuten konvoluutiosekvenssistä sekvenssiin -malleissa käytetään?
- Luottavatko generatiiviset kilpailevat verkot (GAN) ajatukseen generaattorista ja syrjinnästä?