Red neuronal convolucional (CNN)
Arquitectura de red neuronal para datos en cuadrícula como imágenes, que usa filtros locales compartidos y pooling para aprender rasgos espaciales con eficiencia.
Una red neuronal convolucional (CNN) es una red neuronal diseñada para datos con estructura espacial, sobre todo imágenes. En lugar de conectar cada píxel de entrada con cada unidad de la primera capa, aplica pequeños filtros convolucionales repetidamente en toda la imagen, compartiendo pesos y aprendiendo rasgos locales como bordes y texturas. El entrenamiento ajusta esos filtros de extremo a extremo mediante retropropagación, a menudo con capas de pooling que reducen las activaciones y mejoran la robustez ante pequeños desplazamientos.
Yann LeCun y sus colegas en AT&T Bell Laboratories demostraron el enfoque en 1989 con códigos postales manuscritos del Servicio Postal de EE. UU., una prueba temprana de que la convolución más el aprendizaje basado en gradientes podían escalar a tareas de reconocimiento reales. La misma familia arquitectónica impulsó después AlexNet y el auge moderno del aprendizaje profundo en visión por computador. Véase el artículo y la entrada de la cronología.