Was ist ein Convolutional Neural Network (CNN)?

CNNs verarbeiten Eingabebilder, indem sie sie durch mehrere Ebenen leiten. Die ersten Ebenen identifizieren einfache Merkmale wie Kanten und Linien, während tiefere Ebenen komplexere Muster, Formen und schließlich ganze Objekte erkennen. Diese Methode zur hierarchischen Extraktion von Merkmalen macht CNNs so effektiv für die Bilderkennung und andere Computer-Vision-Aufgaben.

Stellen Sie sich ein CNN wie ein Team von Spezialisten vor, die ein Foto analysieren, um ein Objekt zu identifizieren. Jede Ebene hat eine bestimmte Aufgabe in einer Art Erkennungs-Fließband.

1. Convolutional Layer: die Feature-Scanner

Das ist die erste Gruppe von Spezialisten. Jeder bekommt eine einfache Aufgabe: Er soll nach einer bestimmten Eigenschaft suchen, zum Beispiel einer geraden Kante, einer Kurve oder einer bestimmten Farbe. Sie schieben eine kleine Lupe (den „Filter“) über das gesamte Bild und machen sich jedes Mal eine Notiz, wenn sie das ihnen zugewiesene Feature finden. So werden eine Reihe von „Feature Maps“ erstellt, die im Wesentlichen Karten sind, auf denen die grundlegenden Features verortet sind.

2. Aktivierungsebene (ReLU): der Signifikanzfilter

Nach dem ersten Scan überprüft ein Administrator (die ReLU-Funktion) die Merkmalskarten. Seine Aufgabe ist einfach: Starke Signale behalten und schwache verwerfen. Sie führt Nichtlinearität ein und sorgt dafür, dass nur die wichtigsten, eindeutig identifizierten Merkmale zur weiteren Analyse weitergegeben werden. So wird verhindert, dass der Prozess durch Rauschen beeinträchtigt wird.

3. Pooling-Ebene: die Zusammenfasser

Die Pooling-Ebene fungiert wie ein Regionalmanager. Anstatt sich jedes einzelne Detail anzusehen, fasst die Pooling-Ebene die Ergebnisse aus kleinen Bereichen der Merkmalskarte zusammen. Eine „Max-Pooling“-Ebene betrachtet beispielsweise einen 2x2-Bereich einer Merkmalskarte und meldet nur das stärkste Signal. Dadurch wird die Gesamtgröße der Daten reduziert, das Netzwerk wird effizienter und kann ein Objekt erkennen, egal wo es im Frame erscheint (ein Konzept, das als „Translationsinvarianz“ bezeichnet wird).

4. Vollständig verbundene Ebene: der Chefdetektiv

Nach mehreren Runden des Scannens und Zusammenfassens werden die endgültigen Merkmalsberichte an den Chefdetektiv weitergegeben. Diese Ebene betrachtet die Kombination von Merkmalen auf hoher Ebene („hat Schnurrhaare“, „hat spitze Ohren“, „hat Fell“) und trifft die endgültige Entscheidung. Sie verknüpft alle zusammengefassten Ergebnisse, um eine Schlussfolgerung zu ziehen, zum Beispiel: „Auf der Grundlage aller Beweise ist das Objekt auf diesem Bild eine Katze.“ Das Ergebnis wird dann an eine letzte Ausgabeschicht (wie Softmax) weitergeleitet, die eine Wahrscheinlichkeit für jede mögliche Klassifizierung angibt.

Sowohl Convolutional Neural Networks als auch herkömmliche neuronale Netzwerke sind für die Verarbeitung von Daten und die Erstellung von Vorhersagen konzipiert, unterscheiden sich jedoch erheblich in ihrer Architektur, Anwendung und anderen wichtigen Merkmalen.

CNNs haben die Bildverarbeitung revolutioniert und ermöglichen es Maschinen, Bilder präzise zu „sehen“ und zu verstehen. Ihre Fähigkeit, hierarchische Darstellungen visueller Daten zu lernen, hat zu großen Fortschritten bei verschiedenen Computer-Vision-Aufgaben geführt, darunter:

Die Bildklassifizierung ist eine zentrale Aufgabe im Bereich Computer Vision. Dabei wird ein Bild anhand seines Inhalts mit einem Label versehen. CNNs eignen sich hervorragend dafür und erzielen Spitzenergebnisse bei Datasets wie ImageNet. Da sie komplexe Merkmale aus Rohpixeldaten lernen können, sind sie sehr effektiv bei der Erkennung von Objekten, Szenen und sogar Emotionen in Bildern.

Die Objekterkennung geht über die Klassifizierung hinaus, indem sie Objekte in einem Bild identifiziert und ihre Positionen genau bestimmt. CNNs sind für Algorithmen zur Objekterkennung unerlässlich. Sie ermöglichen Anwendungen wie selbstfahrenden Autos, ihre Umgebung wahrzunehmen, Robotern, sich in komplexen Umgebungen zurechtzufinden, und Sicherheitssystemen, Bedrohungen zu erkennen.

Die Anwendungsbereiche von CNNs gehen weit über bildbezogene Aufgaben hinaus. Ihre Fähigkeit, räumliche Hierarchien von Merkmalen zu lernen, macht sie in verschiedenen Bereichen wertvoll, darunter:

• Natural Language Processing: CNNs können Text analysieren, indem sie Sätze als eindimensionale „Bilder“ behandeln, bei denen jedes Wort oder Zeichen ein Feature ist. So können sie Muster und Beziehungen in Textdaten erkennen und sind nützlich für Aufgaben wie die Sentimentanalyse (Klassifizierung von Text als positiv, negativ oder neutral) und die Sprachübersetzung (Zuordnung von Sätzen aus einer Sprache zu einer anderen).
• Analyse medizinischer Bilder: Im Gesundheitswesen können CNNs mit großen Datasets medizinischer Bilder (Röntgenbilder, MRTs, CT-Scans) trainiert werden, um subtile Muster und Anomalien zu erkennen, die auf eine Krankheit hindeuten. So können Radiologen beispielsweise Tumore in Mammografien, Frakturen in Röntgenbildern oder Organe in CT-Scans erkennen. Das verbessert die Genauigkeit und Effizienz der Diagnosen und unterstützt die personalisierte Behandlungsplanung.
• Arzneimittelentwicklung: CNNs können die Arzneimittelentwicklung durch die Analyse molekularer Strukturen potenziell beschleunigen. Durch das Erkennen der Beziehungen zwischen der Struktur eines Moleküls und seinen Eigenschaften können CNNs die Wirksamkeit, Toxizität und andere Merkmale potenzieller Medikamentenkandidaten vorhersagen. Dieses „In-silico“-Screening riesiger chemischer Bibliotheken kann den Zeit- und Kostenaufwand für herkömmliche Methoden zur Arzneimittelentwicklung reduzieren.
• Finanzmodellierung: Da CNNs sequentielle Daten analysieren können, eignen sie sich auch für finanzielle Anwendungen. Wenn Finanzdaten aus Zeitreihen (Aktienkurse, Wechselkurse, Wirtschaftsindikatoren) als eindimensionale „Bilder“ behandelt werden, können CNNs Trends, Muster und Anomalien erkennen, die mit herkömmlichen statistischen Methoden möglicherweise nicht erfasst werden. Dies kann Finanzinstituten helfen, fundiertere Anlageentscheidungen zu treffen, die Marktvolatilität vorherzusagen und Risiken effektiver zu managen.

Google Cloud bietet ein vollständiges Ökosystem für die Anwendung von CNNs – egal, ob Sie eine fertige Lösung oder eine leistungsstarke Plattform für die Entwicklung eigener Lösungen benötigen.

Für vortrainierte Bildverarbeitungsfunktionen: Wenn Sie Ihrer App leistungsstarke Bildverarbeitungsfunktionen hinzufügen möchten, ohne ein Modell von Grund auf neu zu erstellen, bieten Dienste wie Vision AI über eine einfache API Zugriff auf CNN-basierte Modelle für Aufgaben wie Objekterkennung und Texterkennung. Document AI verwendet ebenfalls CNNs, um Daten aus komplexen Dokumenten zu verstehen und zu extrahieren.

Für das Erstellen, Trainieren und Bereitstellen benutzerdefinierter Modelle: Wenn Sie ein CNN mit Ihren eigenen Daten trainieren müssen, bietet Vertex AI eine einheitliche Plattform. Sie verwaltet den gesamten ML-Lebenszyklus, von der Datenvorbereitung und dem Training bis hin zur Bereitstellung und Überwachung Ihrer benutzerdefinierten CNN-Modelle in großem Maßstab.

Für ein schnelleres Training mit hoher Leistung: Das Training großer, hochmoderner CNNs ist rechenintensiv. Cloud TPUs sind speziell entwickelte Hardwarebeschleuniger von Google, die das Training von Deep-Learning-Modellen beschleunigen und so Innovationen fördern.