CNNConvolutional Neural Network

Las primeras capas ven detalles finos

Lo que hace la primera capa que recibe la foto es sorprendentemente simple: coloca un panel muy pequeño sobre la imagen y solo se fija en si el brillo cambia de golpe o si hay una línea inclinada en ese punto. Como el panel es pequeño, el área que examina de una vez es diminuta. En esta etapa todavía no hay ni autos ni perros: solo líneas cortas y manchas.

Estos detalles finos se convierten en el material de la siguiente capa. La segunda capa no mira la foto original, sino la disposición de detalles que encontró la primera, y agrupa dos líneas cortas que se cruzan en ángulo recto como una esquina, o una línea corta que se curva como un borde. La tercera capa vuelve a agrupar esas esquinas y bordes para reconocer piezas como ruedas, marcos de ventana o manijas.

Cuanto más se sube de capa, más se ensancha también el área real que un panel recorre en la foto original: las primeras capas ven un punto diminuto y las últimas ven casi la mitad de la imagen de una vez. Por eso el juicio de "esto es un auto" solo es posible cuando ya se reunieron todas las piezas.

El mismo panel se usa en toda la foto

Aquí está la razón por la que la CNN encaja tan bien con las fotos. El panel que busca líneas verticales en la esquina superior izquierda es el mismo panel que las busca en la esquina inferior derecha. No hay un panel distinto para cada lugar.

Esto trae dos ventajas. Primero, un objeto se reconoce con el mismo patrón sin importar si está a la izquierda o a la derecha de la foto; de ahí viene la capacidad de reconocerlo aunque la foto esté tomada con un pequeño desplazamiento. Segundo, se reduce enormemente lo que hay que recordar: si cada lugar de la foto tuviera su propio panel, los valores se dispararían sin control, pero al reutilizar un solo panel eso no ocurre.

Recorrer y reducir se alternan

Si solo se recorriera la foto, la imagen que hay que manejar no se reduciría nunca. Por eso, después de recorrer, se resume una vez. Al agrupar casillas vecinas y quedarse solo con un valor representativo, la imagen se reduce a la mitad y las capas siguientes pueden ver de un vistazo un área más amplia.

Recorrer, reducir, recorrer, reducir: repetir este compás dos veces, o decenas de veces, es el esqueleto de la CNN. Cuanto más se repite, más pequeña se vuelve la imagen y más denso el significado que contiene. Lo que empezó siendo una imagen ancha y delgada termina siendo un paquete de valores pequeño y grueso.

Al final aparece la etiqueta

Al llegar a la última capa, lo que queda es un paquete de valores pequeño que describe qué piezas había en esta foto y cuánto de cada una. Aquí la información de posición casi desaparece y solo queda el carácter general. Este paquete se compara con la lista de etiquetas posibles, se le da un puntaje a cada nombre de la lista, y se elige el más alto como respuesta.

Con el mismo esqueleto, a veces solo se cambia la parte final para hacer otra tarea. Si al final se hace que salgan la posición y el tamaño de un recuadro en vez de un puntaje, la tarea se convierte en encontrar objetos y marcarlos con recuadros; si se hace que salga una etiqueta por cada punto, se convierte en recortar por punto. Es común dejar igual la parte que extrae patrones y cambiar solo el final.