Lección 8 del módulo “Redes Convolucionales” del curso Fundamentos de Deep Learning con Python.
En la lección anterior vimos cómo realizar la convolución con imágenes con múltiples canales de entrada.
En esta lección veremos cómo procesar una imagen no sólo con un filtro sino usando múltiples kernels, lo que permite que cada filtro aprenda a extraer diferentes tipos de características de una misma imagen.
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 realizar la convolución con múltiples filtros. En esencia, cuando tenemos imágenes en escala de grises se convoluciona la imagen con cada kernel individual y luego las imágenes resultantes se concatenan en un volumen. Y este mismo concepto se puede extender con facilidad a imágenes RGB o volúmenes.
Así que en la próxima lección continuaremos profundizando sobre los diferentes elementos que conforman una Red Convolucional y específicamente hablaremos del pooling, una operación muy usada prácticamente en todas la Redes Convolucionales usadas en la actualidad y que permite eliminar la redundancia espacial tras realizar la convolución.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.