Please enable JavaScript.
Coggle requires JavaScript to display documents.
Mapa Mental #2 - (Redes Neuronales Convolucionales) - Coggle Diagram
Mapa Mental #2 - (Redes Neuronales Convolucionales)
Redes neuronales convolucionales y computer vision
Asistencia médica
Ventas minoristas
Marketing
Sector automovilístico
Procesos
Procesamiento de audio
Detección de objetos
Captura de imágenes médicas
Generación de datos sintéticos
Importancia
Permite identificar y extraer patrones y características de los datos independientemente de las variaciones de posición, orientación, escala o traslación
Diversas arquitecturas CNN preentrenadas, como VGG-16, ResNet50, Inceptionv3 y EfficientNet, han demostrado un rendimiento de primer nivel.
Se distinguen de algoritmos clásicos de machine leargning por su capacidad de extracción de características de forma autónoma.
Capas
Capa convolucional: Es la primera capa. Por ser una de las primeras se centran en características simples como colores y bordes.
Hiperparámetros de zero-padding, se utiliza cuando los filtros no se ajustan a la imagen de entrada.
Hiperparámetros de stride, es la distancia, o el número de píxeles, que el kernel mueve sobre la matriz de entrada.
Hiperparámetros de número de filtros, afecta a la profundidad de la salida.
Capa de agrupación: Permite reducir la dimensión por medio de la reducción de número de parámetros de entrada.
Agrupación máxima: a medida que el filtro recorre la entrada, selecciona el píxel con el valor más alto para enviarlo a la matriz de salida.
Agrupación media: a medida que el filtro recorre la entrada, selecciona el píxel con el valor más alto para enviarlo a la matriz de salida.
Capa totalmente conectada: Clasifica las características de las capas anteriores y sus filtros.
Se distinguen de otras redes debido a su rendimiento de entradas las cuales pueden ser por medio de imágenes. voz o señales de audio.
Utilizan datos tridimensionales con lo cual pueden realizar tareas de clasificación de imágenes así como reconocimiento de objetos.