Faltungsneuronales Netzwerk (CNN)

Ein Convolutional Neural Network (CNN) ist eine Art künstliches neuronales Netzwerk, das für die Verarbeitung und Analyse von Bildern und anderen multidimensionalen Daten entwickelt wurde. CNNs werden häufig in Computer‑Vision‑Anwendungen wie Bild- und Videoerkennung, Objekterkennung und Bildsegmentierung eingesetzt.

Die Architektur eines CNN ist vom visuellen Kortex des menschlichen Gehirns inspiriert, der für die Verarbeitung visueller Informationen zuständig ist. Das Netzwerk besteht aus mehreren Schichten, die jeweils eine spezifische Aufgabe bei der Verarbeitung der Eingabedaten übernehmen. Die erste ist die Eingabeschicht, die die Rohdaten in Form eines Bildes oder eines Bildsatzes erhält. Es folgt die Faltungsschicht (Convolutional Layer), die eine Reihe von Filtern auf die Eingabe anwendet und aufgabenrelevante Merkmale extrahiert. Deren Ausgabe wird anschließend durch eine nichtlineare Aktivierungsfunktion wie die Rectified Linear Unit (ReLU) geführt, die Nichtlinearität einführt und dem Netzwerk ermöglicht, komplexe Repräsentationen zu lernen.

Als Nächstes kommt die Pooling-Schicht, die die räumliche Dimensionalität der in der Faltungsschicht erzeugten Feature-Maps reduziert. Dadurch sinkt die Rechenkomplexität, und die Effizienz steigt. Zum Downsampling können unterschiedliche Verfahren eingesetzt werden, etwa Max-Pooling, das den größten Wert innerhalb eines Fensters auswählt, oder Average-Pooling, das den Mittelwert nimmt.

Nach der Pooling-Schicht wird die Ausgabe durch eine oder mehrere Fully Connected-Schichten geführt, die die endgültige Klassifikations- oder Regressionsaufgabe übernehmen. Diese Schichten ähneln denen in einem klassischen neuronalen Netzwerk, denen jedoch Faltungs- und Pooling-Schichten vorgeschaltet sind, die zuvor relevante Merkmale aus den Eingabedaten extrahieren.

Das Training eines CNN besteht darin, die Gewichte des Netzwerks so zu optimieren, dass eine Verlustfunktion, die die Abweichung zwischen vorhergesagter und tatsächlicher Ausgabe misst, minimiert wird. Üblicherweise kommt dafür Backpropagation zum Einsatz: Der Gradient der Verlustfunktion wird bezüglich der Gewichte berechnet und diese entsprechend aktualisiert.

CNNs erzielen in vielen Aufgaben der Computer Vision State-of-the-Art-Ergebnisse. Ihr Erfolg beruht darauf, dass sie hierarchische Repräsentationen der Eingabedaten lernen: Durch das Anwenden von Faltungsfiltern auf mehreren Skalen und das anschließende Pooling können CNNs komplexe Muster in Bildern und anderen multidimensionalen Daten erkennen.

Zusammengefasst ist ein Convolutional Neural Network (CNN) ein spezielles künstliches neuronales Netzwerk zur Verarbeitung und Analyse von Bildern und anderen multidimensionalen Daten. Es besteht aus mehreren Schichten, darunter Faltungs-, Pooling- und Fully Connected-Schichten, und wird per Backpropagation trainiert, um die Gewichte zu optimieren. CNNs liefern State-of-the-Art-Leistungen in zahlreichen Computer-Vision-Aufgaben und sind in Industrie und Wissenschaft weit verbreitet.