Convolutional Neural Network (CNN)

Una red neuronal convolucional (CNN) es una arquitectura de aprendizaje profundo que procesa datos con forma de cuadrícula, sobre todo imágenes, mediante pequeños filtros aprendibles que se desplazan por la entrada. Cada filtro reutiliza los mismos pesos en todas las posiciones, así que una CNN detecta un patrón, como un borde o una rueda, dondequiera que aparezca y utiliza muchos menos parámetros que una red totalmente conectada. Las capas apiladas construyen una jerarquía de características: desde bordes y texturas en las primeras capas hasta partes de objetos y objetos completos en las más profundas. Las CNN han impulsado la mayor parte del progreso en visión por computador desde que AlexNet ganó el desafío ImageNet en 2012, y siguen siendo la opción más habitual para la visión en tiempo real en hardware periférico.

Cómo funciona una CNN#

Una CNN repite unos cuantos tipos de capa por etapas, y cada etapa trabaja a una resolución menor que la anterior:

• Capas de convolución: Cada capa desplaza por la altura y anchura de la entrada un conjunto de filtros aprendibles, normalmente de 3×3. Cada filtro genera un canal del mapa de características de salida, así que una capa con 64 filtros produce 64 canales.
• Normalización y activación: La normalización por lotes mantiene las salidas de cada capa dentro de un intervalo estable durante el entrenamiento, y una función de activación no lineal, como ReLU o SiLU, permite que las capas apiladas representen algo más que una única transformación lineal.
• Reducción de resolución: La agrupación máxima o una convolución con paso 2 reduce a la mitad la altura y la anchura, lo que amplía el campo receptivo de las capas posteriores y reduce el cálculo. Muchos diseños modernos reducen la resolución principalmente mediante convoluciones con paso.
• Cabezal: Para la clasificación de imágenes, la agrupación media global reduce cada canal final a un número, y una capa totalmente conectada transforma esos números en puntuaciones de clase. Los modelos de detección y segmentación sustituyen este cabezal por capas que predicen cuadros o máscaras por píxel.

Propiedades clave de las CNN#

Tres propiedades explican por qué las convoluciones son adecuadas para las imágenes. La conectividad local significa que cada salida depende solo de una pequeña zona de la entrada, en consonancia con la fuerte correlación entre píxeles próximos. El uso compartido de pesos significa que un filtro sirve para toda la imagen, así que el número de parámetros se mantiene igual con cualquier tamaño de entrada. La equivariancia a la traslación significa que, si se desplaza la entrada, el mapa de características se desplaza en la misma medida; así, un patrón aprendido en una esquina se reconoce en cualquier parte. Además, las capas de agrupación aportan cierta tolerancia a los desplazamientos pequeños. En conjunto, estas propiedades forman el sesgo inductivo de la CNN: las suposiciones incorporadas que le permiten aprender con menos imágenes de las que necesita un transformer.

El fragmento de PyTorch siguiente compara una capa convolucional con una capa totalmente conectada aplicadas a la misma imagen RGB de 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")

Imprime Conv2d: output (1, 64, 224, 224), 1,792 parameters y Linear: output (1, 64), 9,633,856 parameters. Gracias al uso compartido de pesos, la convolución produce 64 mapas de características a resolución completa con 1.792 parámetros, mientras que la capa totalmente conectada necesita 5.376 veces más para generar solo 64 números.

Arquitecturas CNN de referencia#

• LeNet-5 (1998): La red de Yann LeCun para leer dígitos manuscritos estableció el patrón de alternar capas de convolución y agrupación, seguidas de capas totalmente conectadas, y se implementó comercialmente para leer cheques bancarios.
• AlexNet (2012): Entrenada con dos GPU, funciones de activación ReLU y dropout, ganó el desafío ILSVRC 2012 con un error de prueba del 15,3 % en el top 5, frente al 26,2 % de la segunda mejor propuesta.
• VGG (2014): Demostró que apilar convoluciones pequeñas de 3×3 hasta alcanzar entre 16 y 19 capas con pesos mejora considerablemente la precisión en ImageNet.
• ResNet (2015): Las conexiones residuales hicieron posible entrenar redes de hasta 152 capas, y un conjunto de modelos ResNet ganó ILSVRC 2015.
• U-Net (2015): CNN de tipo codificador-decodificador con conexiones de salto que se convirtió en la arquitectura estándar para la segmentación de imágenes biomédicas.
• ConvNeXt (2022): ResNet modernizada con decisiones de diseño de la era de los transformers, que alcanza una precisión top-1 del 87,8 % en ImageNet y supera a Swin Transformer en detección en COCO.

Aplicaciones de las CNN#

• Detección de objetos: Los detectores CNN de una sola etapa encuentran y clasifican objetos en una única pasada hacia delante, con suficiente rapidez para procesar vídeo en cámaras, teléfonos y placas integradas.
• Análisis de imágenes médicas: Las CNN de tipo U-Net segmentan órganos, tumores y lesiones en exploraciones TC y RM, donde importa la etiqueta de cada píxel.
• Estimación de pose: Las CNN predicen puntos clave del cuerpo para el análisis deportivo, la ergonomía y las aplicaciones de fitness.
• Señales más allá de las imágenes: Las convoluciones unidimensionales procesan formas de onda de audio y series temporales de sensores, y las CNN bidimensionales clasifican espectrogramas en el reconocimiento del habla.

CNN y Vision Transformers#

Un vision transformer (ViT) divide una imagen en parches y relaciona cada parche con todos los demás mediante la autoatención, por lo que dispone de contexto global desde la primera capa. Su sesgo inductivo más débil tiene un coste: el ViT original rindió por debajo de las ResNet de tamaño similar cuando se entrenó solo con ImageNet, y solo las igualó o superó tras preentrenarse con entre 14 y 300 millones de imágenes. El coste de la atención también crece con el cuadrado del número de parches, lo que encarece las entradas de alta resolución; el coste de una convolución solo crece linealmente con el número de píxeles. Por eso, muchos modelos actuales combinan ambos enfoques: mantienen etapas convolucionales a alta resolución y añaden atención cuando el mapa de características es pequeño. YOLO26 sigue este patrón: los bloques Conv (convolución, normalización por lotes y SiLU) y los bloques C3k2 realizan la mayor parte del trabajo, y la autoatención multicabezal se ejecuta solo en el mapa de características con paso 32, una cuadrícula de 20×20 para una imagen de 640×640.