¿Qué son los filtros en las redes Convolucionales?

Una convolución es la simple aplicación de un filtro a una entrada que da como resultado una activación. La aplicación repetida del mismo filtro a una entrada da como resultado un mapa de activaciones denominado mapa de características.

¿Qué son las capas Convolucionales?

Capa De Convolución: procesará la salida de neuronas que están conectadas en “regiones locales” de entrada (es decir pixeles cercanos), calculando el producto escalar entre sus pesos (valor de pixel) y una pequeña región a la que están conectados en el volumen de entrada.

¿Qué es una red neuronal convolucional?

Una red neuronal convolucional es un tipo de red neuronal artificial donde las neuronas corresponden a campos receptivos de una manera muy similar a las neuronas en la corteza visual primaria (V1) de un cerebro biológico [cita requerida].

¿Cuáles son los fundamentos de las redes neuronales convolucionales?

Los fundamentos de las redes neuronales convolucionales se basan en el Neocognitron, introducido por Kunihiko Fukushima en 1980. Este modelo fue más tarde mejorado por Yann LeCun et al. en 1998 al introducir un método de aprendizaje basado en la propagación hacia atrás para poder entrenar el sistema correctamente.

¿Cuáles son las ventajas y desventajas de las redes neuronales convolucionales?

Las redes neuronales convolucionales son similares a las redes neuronales multicanal, su principal ventaja es que cada parte de la red se le entrena para realizar una tarea, esto reduce significativamente el número de capas ocultas, por lo que el entrenamiento es más rápido. Además, presenta invarianza a la traslación de los patrones a identificar.

¿Cuál es la función de activación de las redes neuronales?

Esto ayudará en el futuro a poder distinguir un objeto de otro (por ej. gato ó perro). La función de activación más utilizada para este tipo de redes neuronales es la llamada ReLu por Rectifier Linear Unit y consiste en f (x)=max (0,x).