Ti sei mai chiesto come fa Google Foto a riconoscere il tuo viso e a mettere insieme le tue foto? È all’opera la CNN (Convolutional Neural Network) che classifica le immagini in base a caratteristiche simili. La CNN è un tipo di rete neurale nel campo dell’intelligenza artificiale che consente ai sistemi informatici di elaborare le informazioni visive con grande precisione. Quindi, per saperne di più sulla CNN nel Deep Learning, segui la nostra spiegazione di seguito.
Cos’è la CNN nel Deep Learning?
La CNN o rete neurale convoluzionale è un tipo speciale di rete neurale nel deep learning progettata per elaborare dati simili a griglie, in particolare immagini. Sebbene esistano diversi tipi di reti neurali in grado di analizzare le immagini, faticano a riconoscere i modelli nelle immagini perché trattano ogni pixel come una caratteristica indipendente. Fondamentalmente, diventa computazionalmente schiacciante per il sistema analizzare ogni pixel.
Le CNN, d’altro canto, possono riconoscere i modelli nei dati visivi in modo molto più efficiente. La CNN nel deep learning funziona in modo simile al modo in cui gli esseri umani elaborano le immagini o qualsiasi informazione visiva. Non analizziamo ogni singolo pixel, invece, il nostro cervello identifica bordi, forme, trame e riconosce gradualmente oggetti completi come volti, automobili o animali.
Fondamentalmente, la CNN nel deep learning si riferisce a questo tipo di rete neurale che segue un approccio gerarchico nell’identificazione delle informazioni visive.
Come funzionano realmente le CNN?
Le reti neurali convoluzionali (CNN) hanno un’architettura a strati in cui ogni strato estrae caratteristiche complesse da un’immagine. Innanzitutto, il livello Convoluzionale, che è il più importante, utilizza piccoli filtri per scorrere sull’immagine. Cerca modelli specifici nell’immagine. Potrebbe rilevare dettagli di base come linee orizzontali, linee verticali o bordi.
Man mano che la rete diventa più profonda, i filtri iniziano a riconoscere modelli complessi come curve e trame. A poco a poco, la rete riconosce l’intero oggetto. Per farti un esempio, quando tieni una piccola lente d’ingrandimento e la sposti su un dipinto, ti guardi intorno per esaminare il dipinto. Allo stesso modo, il livello convoluzionale scorre sull’immagine ed esegue operazioni matematiche per scoprire se determinate caratteristiche sono presenti o meno.
Ora, i livelli di pooling prendono queste caratteristiche estratte e riducono le dimensioni spaziali dei dati. Significa semplicemente che mantiene solo il segnale più forte da ciascuna regione in modo che la rete possa elaborare in modo efficiente i dati. Ora, i livelli completamente connessi nelle CNN utilizzano queste caratteristiche estratte per classificare l’immagine.
Se la CNN è addestrata a riconoscere gli animali, ottieni “questa immagine contiene un cane” in base a tutte le caratteristiche estratte dai livelli precedenti. Ecco come funziona l’intelligenza artificiale per riconoscere gli oggetti nelle immagini.
La storia delle origini della CNN
Lo sviluppo dietro la CNN è piuttosto interessante. Yann LeCun è ampiamente riconosciuto come il creatore delle moderne CNN, che introdusse una rete in grado di riconoscere le cifre scritte a mano nel 1989. Tuttavia, molto prima, nel 1980, lo scienziato informatico giapponese Kunihiko Fukushima introdusse il “Neocognitron” che gettò le basi di come le reti stratificate potessero elaborare le informazioni visive.
Il Neocognitron di Fukushima era davvero molto in anticipo sui tempi e introduceva molti concetti chiave come il rilevamento gerarchico delle caratteristiche utilizzato nelle CNN. Tuttavia, LeCun ha aggiunto la backpropagation per l’addestramento delle CNN che ha consentito alla rete di apprendere automaticamente dai dati. In un certo senso, LeCun ha reso popolare l’uso della CNN.
Uno sviluppo importante si è verificato nel 2012, quando Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton hanno introdotto una CNN chiamata AlexNet che ha vinto il concorso ImageNet con un margine significativo, sconfiggendo tutti gli altri approcci tradizionali. Ciò ha dimostrato che con dati e potenza di calcolo sufficienti, le CNN possono superare i metodi tradizionali per l’analisi della vista.
Come vengono addestrate le CNN?
Per addestrare una CNN, è necessaria un’enorme quantità di dati etichettati. Fondamentalmente, per classificare le immagini, sono necessari milioni di immagini etichettate con la descrizione dell’immagine. La rete ora fa previsioni, le confronta con le risposte corrette e regola i suoi parametri per migliorare la precisione e le prestazioni. Questo processo è chiamato backpropagation e viene ripetuto milioni di volte finché la rete non impara a riconoscere i modelli dalle immagini.
Il futuro delle CNN
Sebbene la CNN abbia avuto un enorme impatto nel campo dell’intelligenza artificiale (AI), le nuove tecnologie come Vision Transformers (ViT) stanno mostrando prestazioni e precisione migliori. Si tratta fondamentalmente di modelli basati su Transformer, che utilizzano sequenze di patch per elaborare le immagini anziché utilizzare filtri convoluzionali. Certo, i ViT sono più precisi e potenti, ma necessitano anche di più risorse informatiche.
In questo senso, le CNN sono più efficienti e possono essere utilizzate in dispositivi edge come i telefoni cellulari dove si dispongono di risorse computazionali limitate. In ogni caso, la CNN ha fatto notevoli progressi nel campo del deep learning poiché ha finalmente consentito ai sistemi informatici di elaborare e comprendere le informazioni visive.