Reti neurali convoluzionali (CNN)

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

Perché le CNN sono efficaci per 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 regioni locali (kernel).
• Estraggono caratteristiche gerarchiche: rilevano bordi, forme e pattern complessi nei vari livelli.

Strati convoluzionali

Gli strati convoluzionali costituiscono il nucleo delle CNN. Applicano filtri (kernel) all'immagine di input per estrarre 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

È possibile 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)

Strati di pooling

Gli strati di pooling riducono le dimensioni delle mappe delle caratteristiche mantenendo le informazioni importanti. I tipi più comuni includono:

• Max pooling: mantiene 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 quello 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. Strati convoluzionali: estraggono caratteristiche dall'input.
2. Strati di pooling: riducono le dimensioni delle mappe delle caratteristiche.
3. Strati completamente connessi: eseguono la classificazione o la regressione finale.

Vantaggi delle CNN

Le CNN sono altamente efficaci nell'elaborazione delle immagini grazie a:

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

Riepilogo e prossimi passi

In questa lezione abbiamo:

• Esaminato la struttura e il funzionamento delle reti neurali convoluzionali.
• Imparato a conoscere la convoluzione, il pooling e i livelli completamente connessi.
• Esaminato 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.