Convolutioneel neuraal netwerk (CNN): computers leren zien

• Auteur:
• auteursnaam

  Quantumrun-prognose
• 1 december 2023

Samenvatting inzicht

Convolutionele Neurale Netwerken (CNN's) zijn cruciaal voor beeldclassificatie en computervisie, en transformeren de manier waarop machines visuele gegevens identificeren en begrijpen. Ze bootsen het menselijke zicht na en verwerken beelden via convolutionele, samengevoegde en volledig verbonden lagen voor extractie en analyse van kenmerken. CNN's hebben uiteenlopende toepassingen, waaronder de detailhandel voor productaanbevelingen, de automobielsector voor veiligheidsverbeteringen, de gezondheidszorg voor tumordetectie en gezichtsherkenningstechnologie. Het gebruik ervan strekt zich uit tot documentanalyse, genetica en het analyseren van satellietbeelden. Met hun toenemende integratie in verschillende sectoren brengen CNN's ethische zorgen naar voren, vooral met betrekking tot gezichtsherkenningstechnologie en gegevensprivacy, wat de noodzaak benadrukt van een zorgvuldige afweging van de inzet ervan.

Convolutioneel neuraal netwerk (CNN) context

CNN's zijn een deep learning-model geïnspireerd op de manier waarop mensen en dieren hun ogen gebruiken om objecten te identificeren. Computers hebben deze mogelijkheid niet; wanneer ze een afbeelding ‘bekijken’, wordt deze in cijfers vertaald. CNN's onderscheiden zich dus van andere neurale netwerken door hun geavanceerde mogelijkheden voor het analyseren van beeld- en audiosignaalgegevens. Ze zijn ontworpen om automatisch en adaptief ruimtelijke hiërarchieën van kenmerken te leren, van patronen op laag tot hoog niveau. CNN's kunnen een computer helpen bij het verwerven van 'menselijke' ogen en hem voorzien van computervisie, waardoor hij alle pixels en getallen die hij ziet kan absorberen en kan helpen bij beeldherkenning en -classificatie. 

ConvNets implementeert activeringsfuncties in een feature map om de machine te helpen bepalen wat hij ziet. Dit proces wordt mogelijk gemaakt door drie hoofdlagen: de convolutionele, de pooling en de volledig verbonden lagen. De eerste twee (convolutioneel en pooling) voeren de data-extractie uit, terwijl de volledig verbonden laag output genereert, zoals classificatie. De featurekaart wordt van laag naar laag overgebracht totdat de computer de hele afbeelding kan zien. CNN's krijgen zoveel mogelijk informatie om verschillende kenmerken te detecteren. Door computers te vertellen dat ze naar randen en lijnen moeten zoeken, leren deze machines hoe ze snel en nauwkeurig afbeeldingen kunnen identificeren met snelheden die voor mensen onmogelijk zijn.

Disruptieve impact

Hoewel CNN's het meest worden gebruikt voor beeldherkenning en classificatietaken, kunnen ze ook worden gebruikt voor detectie en segmentatie. In de detailhandel kunnen CNN's bijvoorbeeld visueel zoeken naar items die een bestaande garderobe aanvullen en aanbevelen. In de automobielsector kunnen deze netwerken letten op veranderingen in de wegomstandigheden, zoals rijstrookdetectie, om de veiligheid te verbeteren. In de gezondheidszorg worden CNN's gebruikt om kankertumoren beter te identificeren door deze beschadigde cellen te segmenteren van de gezonde organen eromheen. Ondertussen hebben CNN's de gezichtsherkenningstechnologie verbeterd, waardoor sociale-mediaplatforms mensen op foto's kunnen identificeren en aanbevelingen voor tags kunnen geven. (Facebook heeft echter besloten deze functie in 2021 stop te zetten, onder verwijzing naar groeiende ethische zorgen en onduidelijk regelgevingsbeleid over het gebruik van deze technologie). 

Documentanalyse kan ook verbeteren met CNN's. Ze kunnen een handgeschreven werk verifiëren, het vergelijken met een database met handgeschreven inhoud, de woorden interpreteren en meer. Ze kunnen handgeschreven papieren scannen die van cruciaal belang zijn voor het bankwezen en de financiële wereld, of documentclassificatie voor musea. Op het gebied van de genetica kunnen deze netwerken celculturen voor ziekteonderzoek evalueren door afbeeldingen, kaarten en voorspellende analyses te onderzoeken om medische experts te helpen bij het ontwikkelen van potentiële behandelingen. Ten slotte kunnen convolutionele lagen helpen bij het categoriseren van satellietbeelden en het snel identificeren van wat ze zijn, wat kan helpen bij ruimteverkenning.

Toepassingen van convolutioneel neuraal netwerk (CNN)

Sommige toepassingen van convolutioneel neuraal netwerk (CNN) kunnen zijn: 

• Toenemend gebruik bij diagnoses in de gezondheidszorg, waaronder radiologie, röntgenfoto's en genetische ziekten.
• Het gebruik van CNN's om gestreamde beelden van space shuttles en stations, en maanrovers te classificeren. Defensieagentschappen kunnen CNN's toepassen op surveillancesatellieten en drones voor autonome identificatie en beoordeling van veiligheids- of militaire dreigingen.
• Verbeterde optische tekenherkenningstechnologie voor handgeschreven teksten en beeldherkenning.
• Verbeterde robotsorteertoepassingen in magazijnen en recyclingfaciliteiten.
• Het gebruik ervan bij het classificeren van criminelen en personen van belang via bewakingscamera's in de stad of binnenshuis. Deze methode kan echter onderhevig zijn aan vooroordelen.
• Steeds meer bedrijven worden ondervraagd over hun gebruik van gezichtsherkenningstechnologie, inclusief hoe ze de gegevens verzamelen en gebruiken.

Vragen om op te reageren

• Hoe denk je anders dat CNN's het computerzicht kunnen verbeteren en hoe we het dagelijks gebruiken?
• Wat zijn de andere mogelijke voordelen van betere beeldherkenning en -classificatie?