Lección 3 del módulo “Redes Convolucionales” del curso Fundamentos de Deep Learning con Python.
En la lección anterior hablamos de los retos del procesamiento de imágenes y de las limitaciones de las Redes Neuronales para el procesamiento de estos datos.
A partir de esta lección comenzaremos a profundizar en las Redes Convolucionales y a entender poco a poco cómo esta arquitectura permite realizar el procesamiento de imágenes logrando un desempeño impresionante en tareas de visión por computador.
En particular, nos enfocaremos en el filtro o kernel, el elemento fundamental de cualquier Red Convolucional, pues al aplicarlo a una imagen permite extraer diferentes tipos de características.
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.
Bien, acabamos de ver cómo el filtro o kernel de una Red Convolucional permite extraer características específicas de una imagen.
Este filtro o kernel es simplemente una matriz con coeficientes que se aprenden durante el entrenamiento de la Red.
Y para lograr extraer estas características el kernel realiza un «barrido» sobre la imagen, comparando en cada iteración el contenido del filtro con la porción correspondiente de la imagen.
Este «barrido» se denomina formalmente «convolución» y es una operación matemática que da precisamente el nombre a las Redes Convolucionales.
Así que ya tenemos una idea general de cómo funciona el filtro o kernel, pero sólo hemos mencionado la convolución sin analizar en detalle en qué consiste esta operación.
Entonces en la próxima lección nos enfocaremos en esta convolución y veremos un ejemplo sencillo aplicado a una imagen en escala de grises.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.