Transfer Learning en Redes Neuronales Convolucionales

Study Notes

Introducción a las Redes Neuronales Convolucionales (CNNs)

Las CNNs aplican operaciones nuevas a los datos (imágenes) basándose en la operación de convolución.
Permite realizar tres operaciones principales sobre imágenes: clasificación, detección de objetos y segmentación de imágenes.

Operaciones en Redes Convolucionales

Convolución 2D: hace la operación de convolución 2D sobre los datos de entrada con el número de filtros establecido.
Pooling: proporciona invarianza frente a pequeñas traslaciones de la entrada.
ReLU (Rectified Linear Unit): función de activación utilizada en las capas ocultas para introducir non linearidad.
Sobreajuste y Dropout: técnica utilizada para evitar el sobreajuste en las redes neuronales.
Softmax: función utilizada en las últimas capas ocultas para proyectar un vector n dimensional de valores reales a un vector n dimensional en el rango [0 1].
Flatten: operación que convierte un mapa de características n dimensional de la red en un vector unidimensional.

Aprendizaje en CNNs

Las bases del aprendizaje de las CNN son las mismas que las vistas para las redes neuronales convencionales.
Se entrena comúnmente en batchs, y varios batches configuran un epoch (dataset completo).
Las primeras capas de las redes aprenden características genéricas de la imagen, mientras que las últimas capas son las que se adaptan al problema en concreto a resolver.

Transfer Learning

Se puede seleccionar una red preentrenada y adaptarla al problema concreto, utilizando un dataset menor.
Permite aplicar técnicas como el Transfer Learning.

Dataset y Data Augmentation

Data Augmentation: técnica utilizada para aumentar el tamaño del dataset, aplicando transformaciones matemáticas a la imagen original.
Ejemplo: Pill Quality Control dataset en MATLAB.

Aprendizaje en CNNs

El aprendizaje en CNNs se basa en la adaptación de las redes a los problemas concretos.
Se utiliza técnicas como el Transfer Learning y Data Augmentation para mejorar el aprendizaje.

YOLO (You Only Look Once)

Es un modelo de detección de objetos en imágenes.
Existen varias versiones: YOLOv1, YOLOv2, YOLOv3 y YOLOv4.
Cada versión tiene mejoras y avances en la detección de objetos.

Description

Aprende sobre cómo las redes neuronales convolucionales utilizan transfer learning para adaptarse a problemas específicos utilizando un dataset menor. Descubre cómo se pueden seleccionar y adaptar redes pre-entrenadas a un problema concreto.