Reti neurali convoluzionali (CNN)

Le reti neurali convoluzionali (CNN) sono un tipo specializzato di rete neurale progettato per elaborare i dati delle immagini. Vengono ampiamente utilizzate in attività come la classificazione delle immagini, il rilevamento degli oggetti e il riconoscimento facciale.

Perché le CNN sono efficaci con le immagini

Le CNN sono efficaci perché:

• Preservano le relazioni spaziali: elaborano le immagini come griglie di pixel.
• Riducono il costo computazionale: utilizzano pesi condivisi per le regioni locali (kernel).
• Estraggono caratteristiche gerarchiche: rilevano bordi, forme e pattern complessi a diversi livelli.

Livelli convoluzionali

I livelli convoluzionali sono il nucleo delle CNN. Applicano filtri (kernel) all'immagine di input per estrarre le caratteristiche.

Esempio:

• Input: un'immagine 5×5.
• Kernel: un filtro 3×3.
• Output: una mappa delle caratteristiche che evidenzia i pattern.

Esempio: applicare una convoluzione

Possiamo utilizzare Python e NumPy per simulare una semplice operazione di convoluzione:

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)

Livelli di pooling

I livelli di pooling riducono le dimensioni delle mappe delle caratteristiche preservando le informazioni importanti. I tipi comuni includono:

• Max Pooling: conserva il valore massimo in una regione.
• Average Pooling: calcola il valore medio in una regione.

Strati completamente connessi

Gli strati completamente connessi collegano tutti i neuroni di uno strato a quelli dello strato successivo. Combinano le caratteristiche estratte per effettuare previsioni in attività come la classificazione delle immagini.

Architettura tipica di una CNN

Una CNN tipica è composta da:

1. Livelli convoluzionali: estraggono le caratteristiche dall'input.
2. Livelli di pooling: riducono le dimensioni delle mappe delle caratteristiche.
3. Livelli completamente connessi: eseguono la classificazione o la regressione finale.

Vantaggi delle CNN

Le CNN sono molto efficaci per l'elaborazione delle immagini grazie a:

• Estrazione efficiente delle caratteristiche tramite i livelli convoluzionali.
• Riduzione dell'overfitting mediante la condivisione dei parametri.
• Capacità di elaborare dati complessi sulle immagini attraverso più livelli.

Riepilogo e prossimi passi

In questa lezione:

• Abbiamo esplorato la struttura e il funzionamento delle reti neurali convoluzionali.
• Abbiamo appreso i concetti di convoluzione, pooling e livelli completamente connessi.
• Abbiamo discusso i vantaggi delle CNN nell'elaborazione delle immagini.

Successivamente, realizzeremo un progetto di base per la classificazione delle immagini utilizzando le CNN, mettendo in pratica quanto appreso.