Evrişimli Sinir Ağı (CNN), görüntüler gibi yapılandırılmış ızgara verilerini işlemek için tasarlanmış bir tür derin öğrenme algoritmasıdır. Giriş verilerinden özelliklerin uzamsal hiyerarşilerini otomatik ve uyarlanabilir bir şekilde öğrenmek için birlikte çalışan evrişimli katmanlar, havuzlama katmanları ve tamamen bağlantılı katmanlar dahil olmak üzere birden fazla katmandan oluşur.
CNN’ler öncelikle görüntü ve video tanıma, sınıflandırma ve işleme için kullanılır. Bu görevlerde etkilidirler çünkü manuel özellik çıkarmaya gerek kalmadan önemli özellikleri otomatik olarak tespit edebilirler. Bu, CNN’leri nesne algılama, yüz tanıma ve tıbbi görüntü analizi gibi uygulamalar için değerli kılar.
Evet, CNN Evrişimsel Sinir Ağı anlamına gelir. Adını, mimarisinin temel bir bileşeni olan ve bir dizi dönüşüm aracılığıyla girdi verilerinden özelliklerin çıkarılmasına yardımcı olan evrişim işlemi nedeniyle almıştır.
Bir CNN’de evrişim, bir özellik haritası oluşturmak için bir giriş veri matrisine (görüntü gibi) bir filtrenin (veya çekirdeğin) uygulandığı bir işlemdir. Bu işlem, filtrenin giriş boyunca kaydırılmasını ve filtre ile giriş verilerinin bölümleri arasındaki nokta çarpımın hesaplanmasını içerir. Evrişimler, verilerdeki yerel kalıpların ve mekansal hiyerarşilerin yakalanmasına yardımcı olur.
Bir CNN adım adım şu şekilde çalışır: İlk olarak, giriş görüntüsü, filtrelerin özellikleri çıkardığı bir dizi evrişimli katmandan geçirilir. Daha sonra, havuzlama katmanları özellik haritalarının uzamsal boyutlarını azaltır, önemli özellikleri korurken hesaplama karmaşıklığını azaltır. Bu evrişim ve havuzlama işlemi birçok kez tekrarlanabilir. Son olarak, çıktı özellik haritaları düzleştirilir ve nihai sınıflandırma veya tahminin üretilmesi için tamamen bağlantılı katmanlardan geçirilir.