Convolutional Neural Network (CNN)

الشبكة العصبية الالتفافية (CNN) هي بنية تعلّم عميق تعالج البيانات الشبكية، وغالبًا ما تكون صورًا، باستخدام مرشحات صغيرة قابلة للتعلّم تنزلق عبر المُدخل. ويعيد كل مرشح استخدام الأوزان نفسها في جميع المواضع، لذا تكتشف CNN نمطًا مثل حافة أو عجلة أينما ظهر، مع استخدام معلمات أقل بكثير من الشبكة كاملة الاتصال. وتبني الطبقات المتراكبة تسلسلًا هرميًا للميزات، من الحواف والأنسجة في الطبقات الأولى إلى أجزاء الأجسام والأجسام كاملةً في الطبقات الأعمق. وقد دفعت CNN معظم التقدم في الرؤية الحاسوبية منذ فوز AlexNet بـتحدي ImageNet عام 2012، ولا تزال الخيار الأكثر شيوعًا لـالرؤية الآنية على العتاد الطرفي.

آلية عمل CNN#

تكرر CNN بضعة أنواع من الطبقات على مراحل، وتعمل كل مرحلة بدقة أقل من المرحلة السابقة:

• طبقات الالتفاف: تمرر كل طبقة مجموعة من المرشحات القابلة للتعلّم، بحجم 3×3 عادةً، على ارتفاع المُدخل وعرضه. وينتج كل مرشح قناة واحدة من خريطة الميزات، لذا تُخرج الطبقة التي تضم 64 مرشحًا 64 قناة.
• التطبيع والتنشيط: يحافظ تطبيع الدفعة على مخرجات كل طبقة ضمن نطاق مستقر أثناء التدريب، وتتيح دالة تنشيط غير خطية مثل ReLU أو SiLU للطبقات المتراكبة تمثيل ما يتجاوز تحويلًا خطيًا واحدًا.
• تقليل الأبعاد: يخفض التجميع الأقصى أو التفاف بخطوة 2 الارتفاع والعرض إلى النصف، ما يوسّع المجال الاستقبالي للطبقات اللاحقة ويقلّل الحسابات. وتعتمد تصاميم حديثة كثيرة على الالتفافات ذات الخطوة لتقليل الأبعاد في معظم الحالات.
• الرأس: في تصنيف الصور، يختزل التجميع العام للمتوسط كل قناة نهائية إلى رقم واحد، ثم تحوّل طبقة كاملة الاتصال هذه الأرقام إلى درجات للفئات. وتستبدل نماذج الكشف والتقسيم هذا الرأس بطبقات تتنبأ بالصناديق أو الأقنعة على مستوى البكسل.

الخصائص الأساسية لشبكات CNN#

تفسّر ثلاث خصائص ملاءمة الالتفافات للصور. ويعني الاتصال المحلي أن كل خرج يعتمد على جوار صغير فقط من المُدخل، بما يطابق الارتباط القوي بين البكسلات المتجاورة. وتعني مشاركة الأوزان أن مرشحًا واحدًا يخدم الصورة كلها، فيظل عدد المعلمات ثابتًا مهما كان حجم المُدخل. ويعني التكافؤ الانتقالي أن إزاحة المُدخل تحرّك خريطة الميزات بالمقدار نفسه، بحيث يُتعرّف على النمط الذي تعلّمته الشبكة في أحد الأركان أينما ظهر، كما تضيف طبقات التجميع بعض التحمّل للإزاحات الصغيرة. وتشكل هذه الخصائص مجتمعةً الانحياز الاستقرائي لشبكة CNN، أي الافتراضات المضمّنة التي تمكّنها من التعلّم من صور أقل مما يحتاج إليه Transformer.

يقارن المقتطف أدناه باستخدام PyTorch بين طبقة التفاف وطبقة كاملة الاتصال مطبّقتين على صورة RGB واحدة بحجم 224×224.

import torch
from torch import nn

image = torch.randn(1, 3, 224, 224)

# 64 learnable 3x3 filters, each reused at every position of the RGB image
conv = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=3, padding=1)

# A fully connected layer mapping the same flattened image to only 64 numbers
dense = nn.Linear(3 * 224 * 224, 64)

conv_params = sum(p.numel() for p in conv.parameters())
dense_params = sum(p.numel() for p in dense.parameters())
print(f"Conv2d: output {tuple(conv(image).shape)}, {conv_params:,} parameters")
print(f"Linear: output {tuple(dense(image.flatten(1)).shape)}, {dense_params:,} parameters")

يطبع Conv2d: output (1, 64, 224, 224), 1,792 parameters وLinear: output (1, 64), 9,633,856 parameters. وتتيح مشاركة الأوزان للالتفاف إنتاج 64 خريطة ميزات كاملة الدقة باستخدام 1,792 معلمة، بينما تحتاج الطبقة كاملة الاتصال إلى أوزان أكثر بـ5,376 مرة لإخراج 64 رقمًا فقط.

بُنى CNN البارزة#

• LeNet-5 (1998): أرست شبكة يان لوكون لقراءة الأرقام المكتوبة بخط اليد نمط التناوب بين طبقات الالتفاف والتجميع التي تتبعها طبقات كاملة الاتصال، واستُخدمت تجاريًا لقراءة الشيكات المصرفية.
• AlexNet (2012): دُرّبت على وحدتي GPU باستخدام تنشيطات ReLU والإسقاط العشوائي، وفازت بتحدي ILSVRC 2012 بنسبة خطأ اختبار بلغت 15.3% لأفضل 5 نتائج، مقابل 26.2% للنتيجة الثانية.
• VGG (2014): أثبتت أن تكديس التفافات صغيرة بحجم 3×3 وصولًا إلى عمق يتراوح بين 16 و19 طبقة ذات أوزان يحسّن دقة ImageNet بدرجة كبيرة.
• ResNet (2015): جعلت الوصلات المتبقية تدريب شبكات يصل عمقها إلى 152 طبقة ممكنًا، وفاز تجميع من نماذج ResNet بـ ILSVRC 2015.
• U-Net (2015): شبكة CNN ذات مُشفّر وفاكّ ترميز ووصلات تخطٍّ، أصبحت البنية القياسية لتقسيم الصور الطبية الحيوية.
• ConvNeXt (2022): نموذج ResNet مطوّر بخيارات تصميم من حقبة Transformer، يحقق دقة ImageNet top-1 تبلغ 87.8% ويتفوق على Swin Transformer في الكشف على COCO.

مجالات استخدام شبكات CNN#

• اكتشاف الأجسام: تكتشف كواشف CNN أحادية المرحلة الأجسام وتصنفها في تمريرة أمامية واحدة، بسرعة تكفي لمعالجة الفيديو على الكاميرات والهواتف واللوحات المضمّنة.
• تحليل الصور الطبية: تقسّم شبكات CNN من نمط U-Net الأعضاء والأورام والآفات في صور التصوير المقطعي المحوسب والتصوير بالرنين المغناطيسي، حيث تكون تسمية كل بكسل مهمة.
• تقدير الوضعية: تتنبأ شبكات CNN بـالنقاط المفتاحية للجسم لتحليل الرياضة وبيئة العمل وتطبيقات اللياقة البدنية.
• إشارات تتجاوز الصور: تعالج التفافات أحادية البعد الموجات الصوتية والسلاسل الزمنية للمستشعرات، بينما تصنّف شبكات CNN ثنائية الأبعاد مخططات الطيف في التعرّف على الكلام.

شبكات CNN ومحولات الرؤية#

يقسّم محول الرؤية (ViT) الصورة إلى رقع ويربط كل رقعة بكل الرقع الأخرى باستخدام الانتباه الذاتي، لذا يمتلك سياقًا شاملًا منذ الطبقة الأولى. لكن ضعف انحيازه الاستقرائي له كلفة: فقد كان ViT الأصلي أدنى من نماذج ResNet ذات الحجم المماثل عند تدريبه على ImageNet وحدها، ولم يضاهها أو يتفوق عليها إلا بعد تدريبه مسبقًا على 14 مليون إلى 300 مليون صورة. كما تزداد كلفة الانتباه مع مربع عدد الرقع، ما يجعل المُدخلات عالية الدقة مكلفة، بينما تزداد كلفة الالتفاف خطيًا فقط مع عدد البكسلات. لذلك تجمع نماذج حالية كثيرة بين النهجين، فتبقي على مراحل الالتفاف عند الدقة العالية وتضيف الانتباه حين تصغر خريطة الميزات. ويتبع YOLO26 هذا النمط: إذ تنفذ كتل Conv (الالتفاف وتطبيع الدفعة وSiLU) وكتل C3k2 معظم العمل، ولا يعمل الانتباه الذاتي متعدد الرؤوس إلا على خريطة الميزات ذات الخطوة 32، أي شبكة 20×20 لصورة بحجم 640×640.