Faltungsnetze (CNN) für Bilder

Kurz: Ein Faltungsnetz (CNN) wendet kleine lernbare Filter über ein Bild an und erkennt so Kanten, Formen und schließlich Objekte. Dieselben Filter gelten an jeder Stelle, das spart Parameter.

Genauer: Bilder haben Struktur: Nahe Pixel gehören zusammen, und ein Objekt ist überall im Bild dasselbe. Faltung nutzt das aus.

Im Detail

• Faltung: Ein Filter (z. B. 3×3) gleitet über das Bild und bildet gewichtete Summen. Jeder Filter sucht ein Merkmal, etwa eine senkrechte Kante.
• Merkmalskarten: Jede Schicht erzeugt viele Karten, frühe Schichten erkennen Kanten, mittlere Texturen, späte Teile und Objekte.
• Pooling: Verkleinert die Karten (Maximum der Region), macht robust gegen kleine Verschiebungen.
• Stride und Padding: Schrittweite und Randauffüllung steuern die Ausgabegröße.
• Meilensteine: LeNet (Ziffern, 1998), AlexNet (2012, Durchbruch bei ImageNet), VGG, ResNet, EfficientNet.
• Einsatz: Bildklassifikation, Objekterkennung (YOLO), Segmentierung, medizinische Bilder, Gesichtserkennung, auch Audio-Spektrogramme.
• Heute: Vision Transformer (Vision Transformer und CLIP) übernehmen vieles, CNNs bleiben effizient bei kleinen Geräten.

Siehe auch: Neuronen, Schichten und Aktivierungsfunktionen, Bildgenerierung mit Diffusionsmodellen