Vad är ett CNN, och varför skiljer det sig från traditionella neurala nätverk?

Ett konvolutionellt neuralt nätverk (CNN) är en typ av artificiell intelligens som hjälper datorer att "se" och förstå bilder. Till skillnad från vanliga neurala nätverk som behandlar bilder som en lista av siffror, analyserar CNN:er bilder i sektioner och känner igen mönster som kanter, former och texturer. Detta gör dem mycket bättre på att hantera bilder och videor.

Hur CNN:er är inspirerade av det mänskliga ögat

CNN:er fungerar på ett sätt som liknar hur människans hjärna bearbetar bilder. När vi tittar på något skickar våra ögon information till hjärnan, som först känner igen enkla former som kanter och färger. Sedan sätter djupare lager i hjärnan ihop dessa delar för att förstå objekt, ansikten eller hela scener. CNN:er följer samma princip, börjar med enkla egenskaper och bygger upp till att känna igen komplexa objekt.

Precis som våra ögon fokuserar på vissa områden, bearbetar CNN:er också bilder i små sektioner, vilket hjälper dem att känna igen mönster oavsett var de dyker upp. Men till skillnad från människor behöver CNN:er tusentals märkta bilder för att lära sig, medan människor kan känna igen objekt även om de bara sett dem några få gånger.

Översikt av nyckelkomponenter: Konvolution, pooling, aktivering och fullt anslutna lager

Ett CNN består av flera lager, där varje lager har en särskild roll i bildbehandlingen:

CNN:er är kraftfulla eftersom de automatiskt kan lära sig funktioner från bilder utan att människor behöver programmera varje detalj. Därför används de i självkörande bilar, ansiktsigenkänning, medicinsk bildbehandling och många andra verkliga tillämpningar.