Saltar al contenido
Volver a los resultados

Clasificación de imágenes con CNN

Propuesto por
He, K. et al. (ResNet); Tan, M. & Le, Q.V. (EfficientNet)
Año
2016
Tipo
Deep convolutional neural network (supervised)

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

La clasificación de imágenes con CNN utiliza arquitecturas convolucionales profundas como ResNet (He et al., 2016), VGG y EfficientNet (Tan & Le, 2019) para ordenar imágenes en categorías.

Las capas convolucionales apiladas aprenden una jerarquía de características visuales directamente de los píxeles, y las conexiones de salto (residuales) evitan el problema del desvanecimiento del gradiente en redes muy profundas.

La intuición detrás del método

En lugar de diseñar características manualmente, una red convolucional desliza pequeños filtros entrenables a través de la imagen, detectando bordes y texturas en las capas iniciales y combinándolos en formas y objetos en capas más profundas. A medida que las redes se vuelven muy profundas, la señal de entrenamiento puede desvanecerse; las conexiones residuales añaden un atajo que permite que cada bloque aprenda solo el cambio relativo a su entrada, de modo que los gradientes fluyen limpiamente y la profundidad sigue siendo útil en lugar de perjudicial.

Historia

Las redes convolucionales profundas transformaron la visión por computadora en la década de 2010. He et al. (2016) introdujeron ResNet con conexiones residuales en CVPR, haciendo práctico entrenar redes de cientos de capas de profundidad y superando la degradación observada en pilas muy profundas simples. VGG popularizó las pilas uniformes de convoluciones pequeñas, y Tan & Le (2019) propusieron EfficientNet, que escala conjuntamente la profundidad, el ancho y la resolución de la red para alcanzar una alta precisión con muchos menos parámetros. Estos "backbones", a menudo utilizados preentrenados, siguen siendo referencias estándar para la clasificación de imágenes.

Cuándo usarlo

Úselo para clasificar o predecir categorías a partir de datos de imagen cuando tenga un conjunto de imágenes etiquetadas de al menos unos 500 ejemplos e idealmente una GPU. No asume datos distribuidos normalmente, pero se debe aplicar aumento. Por debajo de unas 500 imágenes, una CNN profunda tiende a sobreajustarse, por lo que es preferible el aprendizaje por transferencia o un modelo más simple; con menos de unas 100 imágenes, los filtros no pueden extraer características significativas y un clasificador clásico como SVM es una opción más segura.

Limitaciones y consideraciones

  • Hambriento de datos: necesita al menos aproximadamente 500 imágenes y se sobreajusta gravemente en conjuntos más pequeños.
  • Se requiere una GPU para tiempos de entrenamiento prácticos.
  • Un modelo de caja negra con interpretabilidad limitada de sus decisiones.
  • Con muy pocas imágenes (menos de unas 100), los filtros no pueden aprender características significativas en absoluto.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Aprende características visuales directamente de los píxeles, eliminando la necesidad de características diseñadas manualmente.
  • Las conexiones residuales permiten entrenar redes muy profundas sin gradientes que se desvanecen.
  • Precisión de vanguardia en la clasificación de imágenes en muchos dominios.
  • Los "backbones" preentrenados (ResNet, VGG, EfficientNet) permiten el aprendizaje por transferencia en conjuntos de datos modestos.
  • Pocas suposiciones: no hay requisito de normalidad en los datos de entrada.

Aplicaciones

  • Clasificación de imágenes en categorías en dominios naturales, médicos y de teledetección.
  • Aprendizaje por transferencia: ajuste fino de un "backbone" preentrenado para una nueva tarea de imagen.
  • Control de calidad e inspección visual en entornos de ingeniería.
  • Tareas de predicción donde la entrada son datos de imagen en lugar de características tabulares.

Cómo funciona

Cómo funciona

1

Cada capa convolucional aplica un banco de pequeños filtros entrenables a través de la imagen, produciendo mapas de características que resaltan patrones locales como bordes, esquinas y texturas. El apilamiento de muchas de estas capas construye una jerarquía cada vez más abstracta de características visuales, aprendida directamente de los píxeles en lugar de diseñada manualmente.

2

Las pilas muy profundas sufren de gradientes que se desvanecen. Las conexiones residuales (de salto), centrales en ResNet, añaden la entrada de un bloque a su salida para que cada bloque solo tenga que aprender el cambio residual. Este atajo mantiene los gradientes fluyendo a través de docenas o cientos de capas, lo que permite entrenar estas redes a gran profundidad. Familias como VGG favorecen las convoluciones apiladas uniformes, mientras que EfficientNet escala la profundidad, el ancho y la resolución juntos para lograr eficiencia.

Fórmula
y = \mathcal{F}(x, \{W_i\}) + x
3

Los mapas de características finales se agrupan y se pasan a un cabezal de clasificación que emite una probabilidad para cada categoría. En la práctica, un modelo preentrenado en un gran conjunto de datos se ajusta reemplazando este cabezal por las clases objetivo, y se aplica aumento de datos para expandir el conjunto de entrenamiento efectivo y reducir el sobreajuste.

Errores comunes

  • Entrenar una CNN profunda desde cero en un conjunto de datos pequeño en lugar de usar aprendizaje por transferencia.
  • Omitir el aumento de datos y sobreajustarse a las imágenes de entrenamiento.
  • Ignorar el desequilibrio de clases entre categorías de imágenes.
  • Informar solo la precisión sin métricas por clase en datos desequilibrados.
  • Intentar el aprendizaje profundo con unas pocas docenas de imágenes donde un modelo clásico funcionaría mejor.

Preguntas frecuentes

¿Cuántas imágenes necesito?

Aproximadamente 500 imágenes etiquetadas es un mínimo práctico, y más es mejor. Por debajo de unas 500, una CNN profunda se sobreajusta, por lo que es preferible el aprendizaje por transferencia de un "backbone" preentrenado o un modelo más simple; con menos de unas 100 imágenes, los filtros no pueden aprender características significativas.

¿Necesito una GPU?

Se recomienda encarecidamente una GPU. El entrenamiento de redes convolucionales profundas es computacionalmente intensivo, y solo con una CPU los tiempos de entrenamiento se vuelven poco prácticos para conjuntos de datos realistas.

¿Qué arquitectura debo elegir: ResNet, VGG o EfficientNet?

Las conexiones residuales de ResNet hacen que las redes muy profundas sean entrenables y es un valor predeterminado robusto. VGG utiliza pilas uniformes simples de convoluciones, mientras que EfficientNet escala la profundidad, el ancho y la resolución juntos para alcanzar una alta precisión con menos parámetros. Comenzar con una versión preentrenada de cualquiera de ellas suele ser la ruta más fiable.

¿Por qué es importante el aumento de datos?

El aumento —volteos, recortes, rotaciones y transformaciones similares— expande el conjunto de entrenamiento efectivo y expone la red a más variación, lo que reduce el sobreajuste. Con datos de imagen limitados, es uno de los pasos más importantes para la generalización.

Métodos relacionados

Fuentes

  1. He, K., Zhang, X., Ren, S. & Sun, J. (2016). Deep Residual Learning for Image Recognition. CVPR.

    Abrir referencia DOI
    Copiado.
  2. Tan, M. & Le, Q.V. (2019). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. ICML, PMLR 97, 6105–6114. arXiv:1905.11946.

    Abrir referencia de la publicación
    Copiado.