Convolutional Neural Networks (CNNs)

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

Warum CNNs für Bilder effektiv sind

CNNs sind effektiv, weil sie:

• Räumliche Beziehungen bewahren: Bilder als Raster von 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 Merkmalskarte, 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 reduzieren die Größe von Merkmalskarten und behalten dabei wichtige Informationen bei. Zu den gängigen Arten gehören:

• Max-Pooling: Behält den maximalen Wert in einem Bereich bei.
• Average-Pooling: Berechnet den Durchschnittswert in einem Bereich.

Vollständig verbundene Schichten

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

Typische CNN-Architektur

Ein typisches CNN besteht aus:

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

Vorteile von CNNs

CNNs eignen sich aufgrund folgender Eigenschaften besonders gut für die Bildverarbeitung:

• Effiziente Merkmalsextraktion mithilfe von Faltungsschichten.
• Weniger Overfitting durch Parameterteilung.
• Die 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.
• Faltung, Pooling 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.