Redes neuronales convolucionales

1. ¿Qué son las redes neuronales convolucionales?

Una Red Neuronal Convolucional (Convolutional Neural Network en inglés) o CNN, es un tipo de arquitectura de red neuronal profunda diseñada específicamente para el procesamiento eficiente de datos estructurados en cuadrículas, como imágenes y videos. Por este motivo las redes neuronales convolucionales son altamente efectivas en tareas de visión por computadora, reconocimiento de patrones visuales y clasificación de imágenes.

2. ¿Cuál es la función de una red neuronal convolucional?

La característica clave de la Red neuronal convolucional es la capa de convolución, que utiliza filtros para detectar patrones locales en regiones pequeñas de la entrada. Estos filtros se aplican de manera repetida a través de la imagen, permitiendo que la red capture características jerárquicas y complejas en diferentes niveles de abstracción. Además de las capas de convolución, las CNN también suelen incluir capas de agrupación (pooling) para reducir la dimensionalidad y capas totalmente conectadas para realizar la clasificación final.

Las CNN tienen distintos casos de uso debido a su aplicación en lo visual, por ejemplo, se puede implementar una CNN en una plataforma de e-commerce para que el usuario suba imágenes de productos, el algoritmo puede detectar la ropa similar que desea el usuario y así la plataforma podría recomendar ropa que fuese similar a la subida por el usuario. Un dato no menor es que Tesla hace uso de las redes neuronales convolucionales para la segmentación visual de los elementos de las vías públicas semáforos, personas, otros vehículos, etc, esta segmentación permite la automatización de los coches en Tesla, haciendo que este tipo de redes neuronales lleven la automatización al sector del transporte.

3. Ejemplos de redes neuronales convolucionales.

• LeNet.
• AlexNet.
• ResNet.
• VGG.
• Inception.
• ZFNet
• PolyNet.