Las redes neuronales convolucionales (CNN) se han aplicado en el campo del procesamiento de imágenes durante décadas. ¿Cuál de las siguientes NO es una aplicación importante o un avance de las CNN en el procesamiento de imágenes? a. Extracción de características y clasificación de imágenes b. Transferencia de estilo de imagen c. Reconstrucción de imágenes en 3D d. Juegos de realidad aumentada
Explique brevemente qué es la operación de convolución y qué papel desempeña en las CNN.
- La convolución es una operación matemática en la que un filtro o kernel recorre una imagen, multiplicando y sumando los valores de los píxeles para crear un nuevo mapa de características. Esta operación permite a las CNN extraer patrones y características importantes, como bordes y formas, lo que ayuda a la red a reconocer y clasificar las imágenes.
Dibuje una arquitectura de CNN simple y explique sus componentes, especialmente el papel de la función de activación.
En una arquitectura de CNN simple, los componentes principales son:
- Capa de entrada (Input Layer): La imagen de entrada, generalmente en formato de píxeles (como una matriz 2D de valores de intensidad), se pasa a la red.
- Capa de convolución (Convolutional Layer): Aplica filtros (kernels) a la imagen para extraer características locales, como bordes, texturas y patrones. Cada filtro genera un "mapa de características" que representa una combinación de características detectadas en la imagen.
- Capa de activación (Activation Layer): Después de la operación de convolución, se aplica una función de activación (como ReLU) a los valores del mapa de características. La función de activación introduce no linealidad en el modelo, lo que permite que la red aprenda representaciones más complejas y patrones más sofisticados en los datos. Sin la activación, la red solo aprendería combinaciones lineales de los datos, limitando su capacidad para aprender patrones complejos.
- Capa de agrupamiento (Pooling Layer): Reduce la resolución espacial de las características, conservando la información más importante. El "max pooling" es común, donde se selecciona el valor máximo de una región de la imagen, ayudando a reducir la dimensionalidad y mejorar la eficiencia del modelo.
- Capa completamente conectada (Fully Connected Layer): Después de varias capas de convolución y pooling, las características extraídas se aplana (flatten) y se pasan a través de una o más capas completamente conectadas, que son redes neuronales tradicionales para hacer la clasificación final.
- Capa de salida (Output Layer): Produce la salida final, como la probabilidad de que una imagen pertenezca a una clase específica.
Papel de la función de activación:
La función de activación (como ReLU o sigmoide) se aplica a los resultados de la convolución para introducir no linealidad en el modelo. Sin esta no linealidad, la red no podría aprender representaciones complejas de los datos, limitándose solo a combinaciones lineales. La activación permite que la red aprenda patrones más ricos y sea capaz de realizar tareas más complejas como la clasificación de imágenes.
Dada la siguiente imagen, representada por el color rojo de sus pixels, aplique el proceso de convolución, detector y pooling, utilizando 3 características de contorno (Tips: use los kernels sobel). El proceso se debe hacerse manualmente (en papel), utilizando un factor de reducción de 2 x 2, 2 x 2 de zancada, average pooling. Debe mostrar como resultado las matrices aplanadas, es decir, la entrada a la red neuronal.
