Hay varias formas de redes neuronales convolucionales, incluidas las CNN convencionales, las redes neuronales recurrentes, las redes totalmente convolucionales y las redes de transformadores espaciales, entre otras.
CNN convencionales
Las CNN convencionales, a menudo conocidas como CNN "vainilla", abarcan una colección de capas convolucionales y agrupadas, seguidas por varias capas totalmente relacionadas. Como se mencionó anteriormente, cada capa convolucional en esta comunidad realiza una colección de convoluciones con un conjunto de filtros de aprendizaje para extraer opciones de la imagen de entrada.
La estructura Lenet-5, una de las primeras CNN eficientes para el reconocimiento de dígitos escritos a mano, ejemplifica una CNN convencional. Tiene dos unidades de capas de convolución y pooling siguiendo dos capas totalmente relacionadas. La efectividad de las CNN en el reconocimiento de imágenes ha sido confirmada por la estructura Lenet-5, que también las ha hecho más ampliamente utilizadas en tareas creativas y proféticas de la computadora.
Redes neuronales recurrentes
Las redes neuronales recurrentes (RNN) son un tipo de redes neuronales que pueden generar datos secuenciales al monitorear el contexto de entradas anteriores. Las redes neuronales repetitivas pueden procesar entradas de varias longitudes y producir salidas dependiendo de las entradas anteriores, a diferencia de las redes neuronales comunes de retroalimentación, que solo procesan datos de entrada en un orden establecido.
Por ejemplo, los RNN se pueden utilizar en acciones de NLP correspondientes a la era del contenido textual o la traducción de idiomas. Una comunidad neuronal recurrente será experta en pares de oraciones en dos idiomas totalmente diferentes para aprender a traducir entre los 2.
La RNN procesa los datos uno tras otro y en cada paso produce un documento de salida que se basa en el documento de entrada y la salida anterior. La RNN puede producir traducciones correctas incluso para textos complicados porque rastrea entradas y salidas anteriores.
Redes totalmente plegadas
Las redes totalmente convolucionales (FCN, por sus siglas en inglés) son un tipo de estructura de red neuronal generalmente utilizada en tareas de imaginación y previsión de la computadora, como la segmentación de imágenes, la detección de objetos y la clasificación de imágenes. Los FCN estarán constantemente capacitados utilizando retropropagación para categorizar o dividir imágenes.
Backpropagation es un algoritmo de entrenamiento que calcula los gradientes de la operación de pérdida a través de los pesos de una red neuronal. Una máquina que estudia la capacidad del modelo para pronosticar el rendimiento previsto para una entrada determinada se mide mediante un funcionamiento de pérdida.
Las FCN se basan principalmente únicamente en capas convolucionales, ya que no tienen capas totalmente relacionadas, lo que las hace más adaptables y amigables con el entorno computacional que las redes neuronales convolucionales convencionales. Una comunidad que acepta una imagen de entrada y genera la ubicación y clasificación de los objetos a lo largo de la imagen es una instancia de una FCN.
Comunidad de transformadores espaciales
Una Comunidad de Transformadores Espaciales (STN) se utiliza en tareas imaginativas y proféticas de PC para mejorar la invariancia espacial de las opciones encontradas en la comunidad. La flexibilidad de una comunidad neuronal para reconocer patrones u objetos en una imagen sin importar su ubicación geográfica, orientación o dimensión se conoce como invariancia espacial.
Una red que aplica una transformación espacial detectada a una imagen de entrada antes del procesamiento adicional es una instancia de una STN. La transformación puede muy bien usarse para alinear objetos a lo largo de la imagen, corregir distorsiones de perspectiva o hacer diferentes modificaciones espaciales para mejorar la eficiencia de la comunidad en un trabajo en particular.
Un cambio se refiere a cualquier operación que modifica una imagen indirectamente, correspondiente a B. rotar, escalar o recortar. La alineación se refiere a los medios para garantizar que los objetos en una imagen estén centrados, alineados o posicionados en un enfoque constante y significativo.
La distorsión de perspectiva ocurre cuando los objetos de una imagen parecen torcidos o distorsionados debido al ángulo o la distancia desde la que se tomó la imagen. Haciendo uso de una serie de transformaciones matemáticas en la imagen, correspondientes a B. Las transformaciones afines se pueden utilizar para corregir la distorsión de la perspectiva. Las transformaciones afines protegen las trazas paralelas y las relaciones de distancia entre factores a la derecha de las distorsiones de perspectiva o diferentes modificaciones espaciales en una imagen.
Las modificaciones espaciales se verifican con cualquier cambio dentro de la construcción espacial de una imagen, correspondiente a B. Voltear, rotar o desplazar la imagen. Estas modificaciones pueden aumentar el conocimiento del entrenador o manejar desafíos específicos dentro del proceso, como: B. variaciones de iluminación, distinción o fondo.
