Convolutional Neural Networks (CNNs)

Convolutional Neural Networks (CNNs) sind eine spezielle Art neuronaler Netzwerke, die für die Verarbeitung von Bilddaten entwickelt wurden. Sie werden häufig für Aufgaben wie Bildklassifizierung, Objekterkennung und Gesichtserkennung eingesetzt.

Warum CNNs für Bilder effektiv sind

CNNs sind effektiv, weil sie:

• räumliche Beziehungen bewahren: Bilder als Gitter aus Pixeln verarbeiten.
• den Rechenaufwand reduzieren: gemeinsame Gewichte für lokale Bereiche (Kernel) verwenden.
• hierarchische Merkmale extrahieren: Kanten, Formen und komplexe Muster in mehreren Schichten erkennen.

Faltungsschichten

Faltungsschichten bilden den Kern von CNNs. Sie wenden Filter (Kernel) auf das Eingabebild an, um Merkmale zu extrahieren.

Beispiel:

• Eingabe: ein 5×5-Bild.
• Kernel: ein 3×3-Filter.
• Ausgabe: eine Feature-Map, die Muster hervorhebt.

Beispiel: Eine Faltung anwenden

Wir können Python und NumPy verwenden, um eine einfache Faltungsoperation zu simulieren:

import numpy as np

# Example 5x5 image
image = np.array([
    [1, 2, 3, 0, 1],
    [0, 1, 2, 3, 4],
    [1, 2, 3, 0, 1],
    [0, 1, 2, 3, 4],
    [1, 0, 1, 2, 3]
])

# Example 3x3 kernel
kernel = np.array([
    [1, 0, -1],
    [1, 0, -1],
    [1, 0, -1]
])

# Perform convolution (without padding or strides)
from scipy.signal import convolve2d
output = convolve2d(image, kernel, mode='valid')
print("Feature Map:", output)

Pooling-Schichten

Pooling-Schichten verkleinern die Größe von Feature-Maps und bewahren dabei wichtige Informationen. Zu den gängigen Typen gehören:

• Max Pooling: Behält den maximalen Wert in einer Region bei.
• Average Pooling: Berechnet den Durchschnittswert in einer Region.

Vollständig verbundene Schichten

Vollständig verbundene Schichten verbinden alle Neuronen einer Schicht mit der nächsten. Sie kombinieren extrahierte Merkmale, um bei Aufgaben wie der Bildklassifizierung Vorhersagen zu treffen.

Typische CNN-Architektur

Eine typische CNN besteht aus:

1. Faltungsschichten: Extrahieren Merkmale aus der Eingabe.
2. Pooling-Schichten: Reduzieren die Dimensionen der Feature-Maps.
3. Vollständig verbundene Schichten: Führen die abschließende Klassifizierung oder Regression durch.

Vorteile von CNNs

CNNs eignen sich aufgrund der folgenden Eigenschaften besonders gut für die Bildverarbeitung:

• Effiziente Merkmalsextraktion mit Faltungsschichten.
• Weniger Overfitting durch gemeinsame Nutzung von Parametern.
• Fähigkeit, komplexe Bilddaten mit mehreren Schichten zu verarbeiten.

Zusammenfassung und nächste Schritte

In dieser Lektion haben wir:

• den Aufbau und die Funktionsweise von Convolutional Neural Networks untersucht.
• Faltungsschichten, Pooling-Schichten und vollständig verbundene Schichten kennengelernt.
• die Vorteile von CNNs bei der Bildverarbeitung besprochen.

Als Nächstes erstellen wir ein einfaches Projekt zur Bildklassifizierung mit CNNs, um das Gelernte anzuwenden.