الشبكة العصبية الالتفافية (CNN)

الشبكة العصبية الالتفافية (CNN) هي بنية للتعلّم العميق مستوحاة من القشرة البصرية في الدماغ: فبدلاً من فحص كل بكسل على حدة، تُمرّر مرشحات صغيرة فوق الصورة لاكتشاف الأنماط المحلية — الحواف، ثم النسيج، ثم أشكالاً مجرّدة أكثر فأكثر. إنها البنية التي نقلت الرؤية الحاسوبية إلى عصرها الحديث.

كيف تعمل

يكمن جوهر الشبكة في عملية الالتفاف (convolution): يجتاح مرشّح (أو نواة) الصورة ويحسب في كل موضع جداءً سُلّميًا محليًا. لمدخل $I$ ونواة $K$:

$$ (I * K)(i,j) = \sum_{m}\sum_{n} I(i+m,\, j+n)\, K(m,n) $$

ثلاث أفكار أساسية تجعل البنية فعّالة:

• مشاركة الأوزان: يُطبَّق المرشّح نفسه في كل مكان، ما يقلّل عدد المعاملات بشكل كبير.
• المحلّية: ينظر كل عصبون إلى منطقة صغيرة فقط (مجاله الاستقبالي).
• الثبات إزاء الإزاحة: يُتعرَّف على النمط بغضّ النظر عن موقعه.

الطبقات النموذجية

بتكديس هذه الطبقات، تتعلّم الشبكة تسلسلاً هرميًا: تكشف الطبقات الأولى الحواف، بينما تكشف الأعمق أجسامًا كاملة (وجه، سيارة).

فيمَ تُستخدم

تهيمن الشبكات الالتفافية على تصنيف الصور، وكشف الأجسام، والتصوير الطبي، والتعرّف على الوجوه. كما ألهمت بنى أحدث.

علّمت الشبكة الالتفافية الآلات أن تنظر إلى الصورة ككلٍّ منظَّم، لا كشبكة من الأرقام.