convolutional neural network

part of a series on
artificial intelligence (ai)
major goals artificial general intelligence intelligent agent recursive self-improvement planning computer vision general game playing knowledge representation natural language processing robotics ai safety
approaches machine learning symbolic deep learning Bayesian networks evolutionary algorithms hybrid intelligent systems systems integration
philosophy artificial consciousness chinese room friendly ai control problem/takeover ethics existential risk turing test uncanny valley
v t e

convolutional neural network (tsz. convolutional neural networks)

1. (informatika) konvolúciós neurális hálózat

Convolutional Neural Network (CNN) egy speciális típusú mélytanuló neurális hálózat, amelyet elsősorban képfeldolgozási és számítógépes látási feladatokra fejlesztettek ki. A CNN-ek hatékonyan ismerik fel a képekben rejlő mintázatokat és struktúrákat, ezért kulcsfontosságúak az olyan alkalmazásokban, mint az arcfelismerés, tárgydetektálás, és képosztályozás.

A CNN egy hierarchikus neurális hálózat, amelyben a bemenet (például egy kép) többrétegű feldolgozáson megy keresztül. Ezek a rétegek automatikusan tanulják meg a képen található jellemzőket (például éleket, textúrákat, formákat).

• Konvolúciós réteg (Convolutional layer): Szűrők (filterek vagy kernel-ek) segítségével átfésüli a bemeneti képet, hogy kis helyi mintázatokat (például éleket vagy sarkokat) kiemeljen. A szűrők tanulhatók, és az egész képen alkalmazódnak (weight sharing).
• Aktivációs függvény: Nemlinearitást visz a hálózatba, tipikusan ReLU (Rectified Linear Unit), amely gyorsítja a tanulást.
• Pooling réteg (pl. Max Pooling): Csökkenti a térbeli méretet, összesűríti az információt, és csökkenti a számítási igényt.
• Teljesen összekapcsolt réteg (Fully Connected layer): A kinyert jellemzők alapján hoz döntéseket, például osztályoz.

• Lokális összefüggések kihasználása: A konvolúciós szűrők helyi mintázatokat keresnek, így hatékonyak képek és térbeli adatok feldolgozásában.
• Súlymegosztás: Egy szűrő az egész képen ugyanazt a mintát keresi, ami jelentősen csökkenti a tanulandó paraméterek számát.
• Hierarchikus jellemzők: Az alsóbb rétegek egyszerű mintákat tanulnak (élek, sarkok), a magasabb rétegek komplexebb, absztraktabb jellemzőket (formák, objektumok).

• Képosztályozás (pl. ImageNet versenyek)
• Objektumdetektálás és szegmentáció
• Arc- és arckifejezés felismerés
• Orvosi képfeldolgozás (MRI, röntgen)
• Videó elemzés és mozgásérzékelés

1. Bemeneti kép (pl. 224x224x3 RGB kép)
2. Konvolúciós réteg + ReLU
3. Max Pooling
4. Konvolúciós réteg + ReLU
5. Max Pooling
6. Teljesen összekapcsolt réteg
7. Kimeneti réteg (pl. softmax osztályozáshoz)

A Convolutional Neural Network egy hatékony mélytanuló hálózati struktúra, amely képes automatikusan kinyerni a képekből azokat a jellemzőket, amelyek alapján magas pontosságú felismerést vagy osztályozást tud végezni. Alapjaiban változtatta meg a számítógépes látás és képfeldolgozás területét, és mára számtalan alkalmazás nélkülözhetetlen eleme.

• convolutional neural network - Szótár.net (en-hu)
• convolutional neural network - Sztaki (en-hu)
• convolutional neural network - Merriam–Webster
• convolutional neural network - Cambridge
• convolutional neural network - WordNet
• convolutional neural network - Яндекс (en-ru)
• convolutional neural network - Google (en-hu)
• convolutional neural network - Wikidata
• convolutional neural network - Wikipédia (angol)