Rangkaian Neural Konvolusi (CNN)

Lapisan konvolusi ialah teras CNN. Lapisan ini menggunakan penapis (teras) pada imej masukan untuk mengekstrak ciri.

Contoh:

• Masukan: Imej 5×5.
• Teras: Penapis 3×3.
• Keluaran: Peta ciri yang menyerlahkan corak.

Kita boleh menggunakan Python dan NumPy untuk mensimulasikan operasi konvolusi mudah:

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)

Lapisan pengumpulan mengurangkan saiz peta ciri sambil mengekalkan maklumat penting. Jenis yang lazim termasuk:

• Pengumpulan Maksimum: Mengekalkan nilai maksimum dalam sesuatu rantau.
• Pengumpulan Purata: Mengira nilai purata dalam sesuatu rantau.

Lapisan bersambung penuh menyambungkan semua neuron dari satu lapisan ke lapisan seterusnya. Lapisan ini menggabungkan ciri yang diekstrak untuk membuat ramalan dalam tugasan seperti pengelasan imej.

CNN tipikal terdiri daripada:

1. Lapisan Konvolusi: Mengekstrak ciri daripada masukan.
2. Lapisan Pengumpulan: Mengurangkan dimensi peta ciri.
3. Lapisan Bersambung Penuh: Melaksanakan pengelasan atau regresi akhir.

CNN sangat berkesan untuk pemprosesan imej kerana:

• Pengekstrakan ciri yang cekap menggunakan lapisan konvolusi.
• Pengurangan padanan berlebihan melalui perkongsian parameter.
• Keupayaan memproses data imej kompleks dengan berbilang lapisan.

Dalam pelajaran ini, kita:

• Meneroka struktur dan cara kerja rangkaian neural konvolusional.
• Mempelajari tentang konvolusi, pengumpulan dan lapisan bersambung penuh.
• Membincangkan kelebihan CNN dalam pemprosesan imej.

Seterusnya, kita akan membina projek pengelasan imej asas menggunakan CNN untuk mengaplikasikan perkara yang telah kita pelajari.