Warstwa splotowa w sieci neuronowej, zaprojektowana specjalnie dla splotowych sieci neuronowych (CNN), stosuje operacje splotu do danych wejściowych. Warstwy te składają się z filtrów (zwanych również jądrami), które przesuwają się po danych wejściowych, obliczając iloczyny skalarne pomiędzy wagami filtrów a lokalnymi obszarami danych wejściowych. Dane wyjściowe tych formularzy operacji zawierają mapy, które podkreślają hierarchie przestrzenne i wzorce w danych wejściowych. Warstwy splotowe odgrywają kluczową rolę w architekturach CNN, przyczyniając się do ich zdolności do wydobywania i uczenia się hierarchicznych reprezentacji cech, takich jak krawędzie, tekstury i kształty, z obrazów i innych danych przestrzennych.
Splotowa sieć neuronowa (CNN) to rodzaj modelu głębokiego uczenia się specjalnie dostosowanego do przetwarzania ustrukturyzowanych danych przypominających siatkę, takich jak obrazy lub dane szeregów czasowych. Mówiąc najprościej, CNN składa się z wielu warstw, w tym warstw splotowych, warstw łączących i warstw w pełni połączonych. Architektura sieci inspirowana jest organizacją kory wzrokowej zwierząt, wykorzystującą wspólne wagi i łączność lokalną w celu skutecznego wydobywania cech hierarchicznych z danych wejściowych. Sieci CNN przodują w zadaniach takich jak klasyfikacja obrazu, wykrywanie obiektów i segmentacja obrazu ze względu na ich zdolność do automatycznego uczenia się i identyfikowania wzorców w danych wizualnych.
Termin „splotowy” w warstwach splotowych wywodzi się z matematycznej operacji splotu zastosowanej do danych wejściowych. W przetwarzaniu obrazu splot polega na przesuwaniu małej matrycy (filtru lub jądra) na obraz wejściowy i obliczaniu iloczynu skalarnego między filtrem a lokalnymi obszarami obrazu. Proces ten umożliwia wyodrębnienie cech, takich jak krawędzie, tekstury i wzory z danych wejściowych, tworząc podstawę dla kolejnych warstw, aby nauczyć się bardziej abstrakcyjnych reprezentacji. Zastosowanie warstw splotowych w sieciach CNN umożliwia sieci wydajne przetwarzanie i wydobywanie znaczących cech z danych wielowymiarowych, takich jak obrazy.
Ideą splotowych sieci neuronowych (CNN) jest naśladowanie hierarchicznej organizacji ludzkiego układu wzrokowego w celu wydobywania coraz bardziej abstrakcyjnych reprezentacji danych. Sieci CNN wykorzystują warstwy splotowe do stosowania filtrów w danych wejściowych, wychwytując lokalne wzorce i relacje przestrzenne. Warstwy łączące następnie agregują funkcje, redukując wymiary przestrzenne przy jednoczesnym zachowaniu ważnych informacji. Wreszcie w pełni połączone warstwy integrują wyodrębnione funkcje do zadań klasyfikacji lub regresji. Ta hierarchiczna ekstrakcja cech umożliwia sieciom CNN uczenie się złożonych wzorców bezpośrednio z surowych danych, co czyni je potężnymi narzędziami do zadań wymagających zrozumienia struktur i wzorców przestrzennych, takich jak rozpoznawanie i analiza obrazu.