Redes Neuronales Convolucionales
Presentado por:
Jose Feiver Angarita M.
Jhon Alejandro Marín R.
¿Que es?
es un tipo de red neuronal artificial donde las neuronas corresponden a campos receptivos de una manera muy similar a las neuronas en la corteza visual primaria (V1) de un cerebro biológico. Este tipo de red es una variación de un perceptron multicapa, pero su funcionamiento la hace mucho más efectiva para tareas de visión artificial, especialmente en la clasificación de imágenes.
Surgimiento
- Los fundamentos se basan en el Neocognitron, introducido por Kunihiko Fukushima en 1980.
- En 1982 fue mejorado por Yann LeCun al introducir un método de aprendizaje basado en Backpropagation para poder entrenar el sistema correctamente.
- En el año 2012, fueron implementadas en un GPU consiguiendo así resultados impresionantes.
Fases
-
fase de extracción de características
-
neuronas de perceptron sencillas para realizar la clasificación final sobre las características extraídas
Fase de extracción
La salida de la neurona convolucional se calcula con la siguiente expresión:
Caracteristicas
-
cuentan con cierta tolerancia a pequeñas perturbaciones en los datos de entrada.
-
Utilización de proceso proceso de subsampling
-
Cambio a la operación de max-pooling
Aplicaciones
-
Clasificar Imágenes
-
Clasificación de series de tiempo
-
Clasificación de series de señales de audio.
-
clasificación de datos volumétricos usando convoluciones en 3D
Redes Neuronales Convolucionales
By Alejo Marín
