Lección 2 del módulo “Redes Convolucionales” del curso Fundamentos de Deep Learning con Python.
En la lección anterior vimos algunos aspectos generales de las Redes Convolucionales y su relación con el sistema de visión humano.
En esta lección veremos lo difícil que es lograr que un computador extraiga información relevante de una imagen y cómo las Redes Neuronales no son la arquitectura más adecuada para llevar a cabo esta tarea.
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Acabamos de ver que en el procesamiento de imágenes «clásico» usualmente se hace uso de filtros o «kernels» encargados de extraer diferentes características de la imagen y cuyos coeficientes son definidos «a la medida» (dependiendo del problema que se esté resolviendo).
Sin embargo, la limitación de este diseño «a medida» es que estos sistemas de procesamiento no están en capacidad de generalizar adecuadamente para nuevas imágenes del mundo real.
Las Redes Neuronales podrían parecer una solución a este inconveniente, pero tienen varias limitaciones, entre las que se cuenta el hecho de que no están diseñadas para procesar imágenes (arreglos bidimensionales) sino vectores (arreglos unidimensionales). Aunque se podría «aplanar» la imagen para lograr realizar su procesamiento con una Red Neuronal, en este proceso se perdería información espacial relevante para el adecuado procesamiento y detección de objetos.
Así que ya hemos visto los retos que implica el procesamiento computacional de imágenes, así como las desventajas de usar las Redes Neuronales para esta tarea. Entonces, a partir de la próxima lección comenzaremos a ver cómo las Redes Convolucionales logran resolver este inconveniente.
En particular, comenzaremos hablando del filtro o kernel, un elemento esencial en cualquier Red Convolucional.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.