شبکه عصبی کانولوشنی دو بعدی (2D Convolutional Neural Network)، در ریاضیات (Mathematics)
انواع شبکه های عصبی (Neural Networks) را در آموزش زیر شرح دادیم :
شبکه عصبی کانولوشنی دو بعدی (2D Convolutional Neural Network) :
شبکه عصبی کانولوشنی دو بعدی (2D CNN) رایج ترین نوع CNN است که روی داده های با ساختار گرید دو بعدی مانند تصاویر (height × width) عمل می کند. هر فیلتر یک ماتریس دو بعدی (معمولا کوچک مانند ۳×۳) است که روی تصویر می لغزد و نقشه ویژگی تولید می کند. این عملیات به صورت ریاضی:
\[ (I * K)(i, j) = \sum_{m} \sum_{n} I(i+m, j+n) K(m, n) \]که
\[ I \]تصویر ورودی و
\[ K \]فیلتر (kernel) است.
معماری 2D CNN شامل چندین لایه کانولوشن با توابع فعال سازی (ReLU) و لایه های pooling (برای کاهش ابعاد و افزایش invariance) است. در انتها معمولا یک یا چند لایه کاملا متصل برای طبقه بندی قرار می گیرد (البته در FCNها این لایه ها حذف می شوند).
2D CNNها از اشتراک وزن و اتصالات محلی استفاده می کنند که باعث کاهش شدید تعداد پارامترها نسبت به شبکه های کاملا متصل می شود. این ویژگی آن ها را برای داده های بصری بسیار مناسب کرده است.
معماری های مشهور 2D CNN: AlexNet (که شروع کننده انقلاب deep learning در vision بود)، VGG (با فیلترهای کوچک ۳×۳ و عمق زیاد)، ResNet (با اتصالات باقیمانده)، Inception (با فیلترهای چندمقیاسه)، و DenseNet (با اتصالات متراکم).
کاربردها: تشخیص تصویر، تشخیص اشیاء (با معماری هایی مانند YOLO، Faster R-CNN)، بخش بندی معنایی (U-Net)، تشخیص چهره، تحلیل تصاویر پزشکی، خودروهای خودران.
با وجود ظهور Transformerها در vision (Vision Transformer - ViT)، 2D CNNها هنوز به دلیل کارایی و سرعت، پرکاربردترین معماری در بینایی کامپیوتر هستند.
آموزش 2D CNN نیاز به داده های برچسب دار زیاد و قدرت محاسباتی بالا دارد. اما با transfer learning (استفاده از مدل های پیش آموزش دیده روی ImageNet) می توان در مسائل با داده کم نیز نتایج عالی گرفت.
