Нейронные сети

Свёрточные нейронные сети (CNN): как работают в компьютерном зрении

Простое объяснение работы свёрточных нейронных сетей: свёртка, пулинг, слои CNN, обучение и применение в компьютерном зрении. Примеры и ограничения.

Редакция DeepMe
· Обновлено · 7 мин чтения
Иллюстрация к статье «Сверточные нейронные сети (CNN): как работают в компьютерном зрении»

Свёрточная нейронная сеть (CNN, convolutional neural network) — это класс моделей глубокого обучения, который обрабатывает изображения, сохраняя пространственную структуру пикселей. Вместо того чтобы превращать картинку в «плоский» вектор, CNN скользит небольшими фильтрами по изображению и учится выделять признаки: сначала края и переходы цвета, затем текстуры и части объектов, а на глубоких слоях — целые объекты. Именно поэтому CNN стали базовым инструментом компьютерного зрения: классификации фото, распознавания лиц, контроля качества на производстве и анализа снимков.

Что такое CNN и чем они отличаются от обычных нейросетей

Полносвязная сеть (FNN) обрабатывает изображение как набор независимых чисел: картинка 32×32 пикселя превращается в 1024 значения, и связи между соседними пикселями теряются. CNN устроены иначе — они опираются на три свойства, которые хорошо подходят для изображений.

  • Локальная связность. Нейрон смотрит не на всё изображение, а на небольшой участок, например 3×3 пикселя. Так сеть учится замечать локальные признаки — границы, углы, пятна цвета.
  • Общие веса. Один и тот же фильтр применяется ко всем участкам изображения. Это резко сокращает число параметров по сравнению с полносвязной сетью и позволяет искать признак в любом месте кадра.
  • Иерархия признаков. Ранние слои выделяют простые элементы, средние собирают из них части объектов, глубокие — целые объекты. Сеть учится этому сама, без ручного описания признаков.

Благодаря пулингу и свёрткам CNN устойчивы к небольшим сдвигам и изменениям масштаба объекта, хотя полной инвариантности к поворотам они не дают. Для текстов и временных рядов чаще применяют рекуррентные сети или трансформеры — подробнее об этом в материале о рекуррентных нейронных сетях и их использовании в NLP.

Пример на пальцах

Представьте, что сеть учится отличать кошку от собаки. Полносвязная модель пыталась бы запомнить комбинации пикселей целиком, а CNN сначала находит усы, уши и контур морды, а затем собирает из этих признаков решение. Это похоже на сборку пазла: сначала находятся края и углы, потом они складываются в целостную картину.

Как CNN видят изображения: свёртка, пулинг и feature maps

Работу CNN удобно разбирать по операциям, которые последовательно применяются к данным. Типовая схема выглядит так: свёрточный слой → функция активации → пулинг, и так несколько раз, после чего результат передаётся в полносвязные слои для классификации.

1. Свёртка: как сеть находит узоры

Свёрточный слой — это набор фильтров (ядер), обычно размером 3×3 или 5×5. Фильтр скользит по изображению и на каждом шаге вычисляет взвешенную сумму значений пикселей. Результат применения одного фильтра ко всему изображению называется картой признаков (feature map): если фильтр реагирует на вертикальные линии, карта покажет, где такие линии есть.

Простейший фильтр для поиска границ можно записать так:

-1  0  1
-1  0  1
-1  0  1

Он реагирует на резкие изменения яркости по горизонтали, то есть на вертикальные края. В реальной сети значения фильтров не задаются вручную, а подбираются в процессе обучения.

На размер карты признаков влияют шаг фильтра (stride) и дополнение по краям (padding). Чем больше шаг, тем сильнее уменьшается изображение; padding позволяет сохранить размер по краям.

2. Пулинг: уменьшаем размерность

После свёртки и активации обычно идёт пулинг — операция, которая сжимает карту признаков. Самые распространённые виды:

  • Max pooling — берёт максимальное значение из окна, например 2×2.
  • Average pooling — усредняет значения в окне.

Пулинг уменьшает объём вычислений и делает представление устойчивее к небольшим сдвигам объекта. При окне 2×2 и шаге 2 каждая сторона карты уменьшается вдвое, то есть общее число значений сокращается в четыре раза.

3. Карты признаков: что видит сеть на разных слоях

Уровень слоёвЧто обычно выделяет CNN
Ранние слоиГраницы, углы, цветовые переходы
Средние слоиТекстуры, простые формы, фрагменты объектов
Глубокие слоиЧасти объектов и целые объекты

Это общая закономерность, а не жёсткое правило: конкретные признаки зависят от данных и архитектуры. Посмотреть, как сеть «видит» изображение, можно, если визуализировать активации слоёв у предобученной модели.

4. Активация и полносвязные слои

После свёртки применяется нелинейная функция активации, чаще всего ReLU. Без неё несколько свёрточных слоёв подряд работали бы как один линейный фильтр. Затем карты признаков выравниваются в вектор и подаются в полносвязные слои, которые принимают итоговое решение — например, распределение вероятностей по классам.

Как обучается свёрточная нейросеть

Обучение CNN — это подбор весов фильтров и полносвязных слоёв так, чтобы ошибка на обучающих данных уменьшалась. Общая схема выглядит так:

  1. Подготовка данных. Изображения приводятся к нужному размеру и формату, размечаются по классам, делятся на обучающую и проверочную выборки.
  2. Прямой проход. Изображение проходит через все слои, и модель выдаёт предсказание.
  3. Расчёт ошибки. Предсказание сравнивается с правильным ответом с помощью функции потерь.
  4. Обратный проход. Градиенты ошибки распространяются по сети, и веса корректируются оптимизатором.
  5. Повторение. Шаги 2–4 повторяются на разных порциях данных, пока качество не перестанет улучшаться.

Одна из главных проблем — переобучение: модель слишком хорошо запоминает обучающую выборку и хуже работает на новых данных. С ним помогают бороться аугментация (случайные сдвиги, отражения, изменения яркости), dropout и контроль качества на отложенной выборке.

Популярные архитектуры CNN и их применение

За несколько десятилетий CNN прошли путь от первых моделей распознавания рукописных цифр до глубоких сетей с десятками слоёв. Ниже — несколько архитектур, которые полезно знать.

LeNet-5

Одна из первых успешных CNN, предложенная для распознавания рукописных цифр. Небольшая по современным меркам, она хорошо подходит для знакомства с устройством свёрточных сетей.

AlexNet

Модель, которая привлекла широкое внимание к глубокому обучению после успеха на конкурсе ImageNet в 2012 году. В ней заметную роль сыграли функции активации ReLU и регуляризация dropout.

VGG

Семейство моделей VGG16 и VGG19, построенных на последовательных свёртках 3×3. Архитектура простая и удобная для переноса обучения, но содержит много параметров и требовательна к вычислительным ресурсам.

ResNet

Ключевая идея — остаточные связи (skip connections), которые помогают обучать очень глубокие сети и смягчают проблему затухающего градиента. ResNet часто используют как основу для задач распознавания и классификации.

EfficientNet и MobileNet

Семейства моделей, ориентированные на баланс точности и вычислительной эффективности. Их нередко выбирают для мобильных и встраиваемых устройств, где ресурсы ограничены.

Как выбрать архитектуру

  • Для обучения и экспериментов подойдут небольшие модели вроде LeNet или простая CNN из нескольких свёрточных слоёв.
  • Для высокой точности на сложных данных обычно берут ResNet или EfficientNet.
  • При ограниченных ресурсах смотрят в сторону MobileNet и лёгких версий EfficientNet.
  • Для специфических задач, например сегментации, ищут специализированные архитектуры.

На практике чаще всего используют перенос обучения: берут предобученную модель, замораживают ранние слои и дообучают последние под свою задачу. Это экономит время и данные. Подробнее о выборе модели — в статье как выбрать архитектуру нейронной сети под вашу задачу.

Где CNN применяются на практике

  • Классификация изображений — определение категории объекта на фото.
  • Распознавание лиц и жестов — например, разблокировка смартфона.
  • Медицинская визуализация — помощь в анализе снимков; такие решения требуют клинической валидации и не заменяют заключение врача.
  • Промышленный контроль качества — поиск дефектов на конвейере.
  • Беспилотные системы — восприятие сцены и распознавание объектов вокруг.

Пример практической работы с CNN на небольшом наборе данных описан в руководстве TensorFlow: модель из нескольких слоёв Conv2D и MaxPooling2D, обученная на CIFAR-10, показывает точность выше 70% на тестовой выборке. Это иллюстрация учебного эксперимента, а не гарантия качества для реальных задач.

Ограничения CNN

  • Чувствительность к качеству данных. Мало примеров, смещённая или плохо размеченная выборка ухудшают результат.
  • Вычислительная стоимость. Глубокие модели требуют заметных ресурсов при обучении.
  • Ограниченная устойчивость. Небольшие, но специально подобранные изменения пикселей могут сбить модель с толку.
  • Не универсальное решение. Для текстов, таблиц и временных рядов часто лучше подходят другие архитектуры, например трансформеры — см. материал о трансформерах и внимании в нейронных сетях.

Заключение

CNN обрабатывают изображения иначе, чем полносвязные сети: они сохраняют пространственные связи, используют общие веса фильтров и строят иерархию признаков. Основные операции — свёртка, нелинейная активация и пулинг — повторяются в нескольких слоях, после чего полносвязная часть принимает решение. Разные архитектуры решают разные задачи, а перенос обучения позволяет начать практику без обучения модели с нуля.

Если хотите попробовать CNN, начните с готовой модели и небольшого набора данных: заморозьте ранние слои и дообучите последние. Так вы быстрее увидите, как работают свёрточные сети на практике.

Материалы по теме: Convolutional Neural Network (CNN)  |  TensorFlow Core.