Las redes neuronales convolucionales (CNN) han evolucionado significativamente, con diversas arquitecturas que mejoran la precisión, eficiencia y escalabilidad. Este capítulo explora cinco modelos clave de CNN que han marcado el desarrollo del aprendizaje profundo: LeNet, AlexNet, VGGNet, ResNet e InceptionNet.

LeNet: La base de las CNN

Una de las primeras arquitecturas de redes neuronales convolucionales, propuesta por Yann LeCun en 1998 para el reconocimiento de dígitos manuscritos. Sentó las bases de las CNN modernas al introducir componentes clave como convoluciones, agrupamiento y capas completamente conectadas. Puede obtener más información sobre el modelo en la documentación.

Características clave de la arquitectura

AlexNet: Avance en Aprendizaje Profundo

Una arquitectura de CNN emblemática que ganó la competencia ImageNet en 2012, AlexNet demostró que las redes convolucionales profundas podían superar significativamente a los métodos tradicionales de aprendizaje automático en la clasificación de imágenes a gran escala. Introdujo innovaciones que se convirtieron en estándar en el aprendizaje profundo moderno. Puede obtener más información sobre el modelo en la documentación.

Características Clave de la Arquitectura

VGGNet: Redes Más Profundas con Filtros Uniformes

Desarrollada por el Visual Geometry Group de Oxford, VGGNet enfatizó la profundidad y la simplicidad mediante el uso de filtros convolucionales uniformes de 3×3. Demostró que apilar filtros pequeños en redes profundas podía mejorar significativamente el rendimiento, lo que llevó a variantes ampliamente utilizadas como VGG-16 y VGG-19. Puede obtener más información sobre el modelo en la documentación.

Características clave de la arquitectura

ResNet: Resolución del problema de profundidad

ResNet (Redes Residuales), presentada por Microsoft en 2015, abordó el problema del desvanecimiento del gradiente, que ocurre al entrenar redes muy profundas. Las redes profundas tradicionales presentan dificultades en la eficiencia del entrenamiento y degradación del rendimiento, pero ResNet superó este inconveniente mediante conexiones de salto (aprendizaje residual). Estos atajos permiten que la información omita ciertas capas, asegurando que los gradientes sigan propagándose de manera efectiva. Las arquitecturas ResNet, como ResNet-50 y ResNet-101, permitieron el entrenamiento de redes con cientos de capas, mejorando significativamente la precisión en la clasificación de imágenes. Puede obtener más información sobre el modelo en la documentación.

Características clave de la arquitectura

InceptionNet: Extracción de Características a Múltiples Escalas

InceptionNet (también conocido como GoogLeNet) se basa en el módulo inception para crear una arquitectura profunda pero eficiente. En lugar de apilar capas de forma secuencial, InceptionNet utiliza rutas paralelas para extraer características en diferentes niveles. Puede obtener más información sobre el modelo en la documentación.

Las optimizaciones clave incluyen:

• Convoluciones factorizadas para reducir el costo computacional;

• Clasificadores auxiliares en capas intermedias para mejorar la estabilidad del entrenamiento;

• Global average pooling en lugar de capas completamente conectadas, lo que reduce el número de parámetros manteniendo el rendimiento.

Esta estructura permite que InceptionNet sea más profundo que CNNs anteriores como VGG, sin aumentar drásticamente los requisitos computacionales.

Características Clave de la Arquitectura

Módulo Inception

El módulo Inception es el componente central de InceptionNet, diseñado para capturar eficientemente características a múltiples escalas. En lugar de aplicar una sola operación de convolución, el módulo procesa la entrada con múltiples tamaños de filtro (1×1, 3×3, 5×5) en paralelo. Esto permite que la red reconozca tanto detalles finos como patrones grandes en una imagen.

Para reducir el costo computacional, se utilizan 1×1 convolutions antes de aplicar filtros más grandes. Estas reducen el número de canales de entrada, haciendo la red más eficiente. Además, las capas de max pooling dentro del módulo ayudan a retener características esenciales mientras controlan la dimensionalidad.

Ejemplo

Considere un ejemplo para observar cómo la reducción de dimensiones disminuye la carga computacional. Suponga que necesitamos convolucionar 28 × 28 × 192 input feature maps con 5 × 5 × 32 filters. Esta operación requeriría aproximadamente 120.42 millones de cálculos.

Realicemos los cálculos nuevamente, pero esta vez, coloque una 1×1 convolutional layer antes de aplicar la 5×5 convolution a los mismos mapas de características de entrada.

Cada una de estas arquitecturas de CNN ha desempeñado un papel fundamental en el avance de la visión por computadora, influyendo en aplicaciones en salud, sistemas autónomos, seguridad y procesamiento de imágenes en tiempo real. Desde los principios fundamentales de LeNet hasta la extracción de características a múltiples escalas de InceptionNet, estos modelos han impulsado continuamente los límites del aprendizaje profundo, allanando el camino para arquitecturas aún más avanzadas en el futuro.