Le reti neurali convoluzionali (CNN) sono un modello di deep learning particolarmente adatto per il riconoscimento di immagini, l'analisi video, l'elaborazione del linguaggio naturale e altri campi. Il design della CNN si ispira ai sistemi di visione biologica e utilizza una struttura gerarchica per catturare caratteristiche locali e modelli globali nei dati.

Anni '50: Frank Rosenblatt propone il Perceptron, uno dei primi modelli di rete neurale.

Anni '80: Yann LeCun e altri proposero LeNet-5, che fu la prima CNN applicata con successo al riconoscimento delle cifre scritte a mano.

1998: Yann LeCun e altri svilupparono ulteriormente LeNet-5 e proposero una versione migliorata di LeNet-5 per il riconoscimento dei codici postali scritti a mano.

2012: Alex Krizhevsky e altri propongono AlexNet, la prima CNN a ottenere risultati rivoluzionari nella ImageNet Large-Scale Visual Recognition Challenge (ILSVRC).

2014: VGGNet ha ottenuto risultati migliori in ILSVRC, dimostrando i vantaggi di strutture di rete più profonde.

2014: Google propone l'architettura Inception (GoogLeNet), che migliora l'efficienza computazionale della rete introducendo il modulo Inception.

2015: Microsoft ha proposto ResNet (Residual Network), che ha risolto il problema del gradiente evanescente nell'addestramento della rete profonda attraverso connessioni residue.

Finora: la CNN continua ad evolversi, con l'emergere di nuove strutture di rete come EfficientNet e Vision Transformer, nonché con l'ulteriore ottimizzazione in diversi campi di applicazione.

...

Livello di input: riceve dati grezzi, come i valori dei pixel di un'immagine.

Livello di convoluzione: utilizza i kernel di convoluzione per estrarre funzionalità locali.

Livello di attivazione: introduce la non linearità, come ReLU.

Livello di pooling: ridurre la dimensione dei dati, ridurre la quantità di calcoli ed evitare un adattamento eccessivo.

Livello completamente connesso: mappa le caratteristiche sull'output finale, come le etichette di classificazione.

Livello di output: emette il risultato finale della rete.

Operazione di convoluzione: fai scorrere il kernel di convoluzione sui dati di input per estrarre le caratteristiche locali.

Condivisione del peso: lo stesso kernel di convoluzione condivide i pesi sull'intero dato di input, riducendo i parametri del modello.

Pooling: downsampling di un'area locale, ad esempio pooling massimo o pooling medio.

Funzione di attivazione: introduce nonlinearità, come ReLU, Sigmoid, Tanh, ecc.

Kernel di convoluzione (filtro): la matrice del peso utilizzata per estrarre le funzionalità nel livello di convoluzione.

Stride: la dimensione del passo affinché il kernel di convoluzione si sposti sui dati di input.

...

LeNet-5: primo modello CNN per il riconoscimento delle cifre scritte a mano.

AlexNet: Presentiamo la funzione di attivazione ReLU, riducendo il numero di parametri e migliorando la velocità di allenamento.

VGGNet: utilizza piccoli kernel di convoluzione e una struttura di rete più profonda.

InceptionNet: Presentazione del modulo Inception per migliorare l'efficienza computazionale della rete.

ResNet: risolve il problema del gradiente evanescente nell'addestramento della rete profonda attraverso connessioni residue.

SqueezeNet: dimostra che le CNN possono mantenere prestazioni elevate anche con un numero limitato di parametri.

...

La CNN estrae le caratteristiche locali dell'immagine attraverso operazioni di convoluzione e pooling multistrato ed esegue la classificazione attraverso livelli completamente connessi. Le operazioni di convoluzione possono acquisire caratteristiche di basso livello come bordi e trame nelle immagini, mentre le reti profonde possono apprendere modelli più complessi. Attraverso la condivisione e il pooling del peso, la CNN può gestire efficacemente grandi set di dati e ridurre il rischio di overfitting.

Riconoscimento di immagini: come riconoscimento di cifre scritte a mano, riconoscimento di oggetti, ecc.

Segmentazione dell'immagine: segmenta l'immagine in più regioni per l'analisi delle immagini mediche, ecc.

Analisi video: utilizzata per il riconoscimento del comportamento, la videosorveglianza, ecc.

Riconoscimento vocale: sebbene la CNN venga utilizzata principalmente per l'elaborazione delle immagini, può essere utilizzata anche per l'estrazione di caratteristiche dei segnali vocali.

...

Requisiti delle risorse informatiche: le reti profonde richiedono una grande quantità di risorse informatiche e spazio di archiviazione.

Requisiti del volume di dati: per addestrare un modello ad alte prestazioni, è necessaria una grande quantità di dati annotati.

Interpretabilità: il meccanismo di funzionamento interno della CNN non è trasparente come i modelli superficiali, rendendo difficile spiegare il suo processo decisionale.

Sensibile alla dimensione dell'input: le CNN sono alquanto sensibili alla dimensione e alla scala dei dati di input e possono richiedere passaggi di preelaborazione.

Estrazione di caratteristiche locali: la CNN è brava ad estrarre caratteristiche locali, ma potrebbe avere difficoltà a catturare informazioni sul contesto globale.

...