Apa kerugian CNN?

CNN memiliki kekurangan seperti waktu pelatihan yang lama, kebutuhan akan kumpulan data berlabel yang besar, dan kerentanan terhadap overfitting. Kompleksitas jaringan juga dapat memengaruhi kinerja. Namun, CNN tetap menjadi alat yang banyak digunakan dan efektif dalam visi komputer, termasuk deteksi dan segmentasi objek, meskipun ada keterbatasan dalam tugas yang memerlukan pengetahuan kontekstual seperti NLP.

Jaringan saraf konvolusional memiliki beberapa kelemahan yang dapat membuat penggunaannya dalam beberapa aplikasi pembelajaran mesin menjadi sulit. Misalnya, pelatihan CNN dapat memakan waktu lama, terutama untuk kumpulan data besar, karena CNN membutuhkan komputasi yang mahal. Lebih jauh, membuat arsitektur CNN dapat menjadi tantangan dan memerlukan pemahaman menyeluruh tentang ide-ide mendasar jaringan saraf buatan.

Kelemahan lainnya adalah CNN membutuhkan banyak data berlabel untuk pelatihan yang efektif. Ini bisa menjadi kendala serius dalam situasi dengan sedikit data yang tersedia. CNN juga tidak selalu berhasil dalam tugas yang membutuhkan lebih banyak pengetahuan kontekstual, seperti NLP, meskipun CNN cukup baik dalam tugas pengenalan gambar.

Jumlah dan jenis lapisan yang digunakan dalam desain CNN dapat memengaruhi kinerja. Misalnya, menambahkan lebih banyak lapisan dapat meningkatkan akurasi tetapi meningkatkan kompleksitas jaringan dan biaya komputasi pada saat yang sama. Arsitektur CNN pembelajaran mendalam juga rentan terhadap overfitting, yang terjadi ketika jaringan menjadi terlalu terspesialisasi pada data pelatihan dan berkinerja buruk pada data baru yang belum dilatih.

Meskipun memiliki kekurangan ini, CNN masih merupakan alat yang banyak digunakan dan sangat efektif untuk algoritma pembelajaran mendalam dan pembelajaran mesin di bidang jaringan saraf tiruan, termasuk segmentasi, deteksi objek, dan pengenalan gambar. Meski begitu, CNN akan tetap menjadi pemain kunci dalam visi komputer.

Apa keuntungan CNN?

CNN lebih disukai dalam tugas visi komputer karena kelebihannya, termasuk invariansi penerjemahan, berbagi parameter, representasi hierarkis, ketahanan terhadap perubahan, dan pelatihan menyeluruh.

Jaringan saraf konvolusional memiliki beberapa keunggulan, yang menjadikannya pilihan yang menarik untuk berbagai tugas visi komputer. Salah satu keunggulan utamanya adalah invariansi translasi, fitur CNN yang memungkinkannya mengenali objek dalam gambar terlepas dari posisinya. Lapisan konvolusional digunakan untuk mencapai hal ini dengan menerapkan filter ke seluruh gambar masukan sehingga jaringan dapat mempelajari fitur yang invarian translasi.

Penggunaan pembagian parameter, di mana kumpulan parameter yang sama dibagikan di seluruh area gambar input, merupakan manfaat lain dari CNN. Hasilnya, jaringan memiliki lebih sedikit parameter dan dapat menggeneralisasi data baru dengan lebih baik, yang sangat penting saat bekerja dengan kumpulan data yang besar.

CNN juga dapat mempelajari representasi hierarkis dari gambar input, dengan lapisan atas mempelajari fitur yang lebih rumit seperti bagian dan bentuk objek, sementara lapisan bawah mempelajari elemen yang lebih sederhana seperti tepi dan tekstur. Untuk tugas yang menantang seperti deteksi dan segmentasi objek, model hierarkis ini memungkinkan jaringan mempelajari karakteristik pada banyak tingkat abstraksi.

CNN cocok untuk aplikasi di dunia nyata karena CNN tahan terhadap perubahan pencahayaan, warna, dan distorsi kecil pada gambar input. Terakhir, jaringan saraf konvolusional dapat dilatih secara menyeluruh, yang memungkinkan penurunan gradien untuk mengoptimalkan semua parameter jaringan secara bersamaan demi kinerja dan konvergensi yang lebih cepat. Penurunan gradien adalah algoritma pengoptimalan yang digunakan untuk menyesuaikan parameter model secara berulang dengan meminimalkan fungsi kerugian ke arah gradien negatif.

Apa saja jenis jaringan saraf konvolusional?

Terdapat beberapa jenis jaringan saraf konvolusional, termasuk CNN tradisional, jaringan saraf berulang, jaringan konvolusional penuh, dan jaringan transformator spasial — antara lain.

CNN Tradisional

CNN tradisional, yang juga dikenal sebagai CNN "vanilla", terdiri dari serangkaian lapisan konvolusional dan penggabungan, diikuti oleh satu atau beberapa lapisan yang terhubung sepenuhnya. Seperti yang disebutkan, setiap lapisan konvolusional dalam jaringan ini menjalankan serangkaian konvolusi dengan kumpulan filter yang dapat diajarkan untuk mengekstraksi fitur dari gambar input.

Arsitektur Lenet-5, salah satu CNN pertama yang efektif untuk pengenalan digit tulisan tangan, menggambarkan CNN konvensional. CNN memiliki dua set lapisan konvolusional dan penggabungan yang mengikuti dua lapisan yang terhubung sepenuhnya. Efisiensi CNN dalam identifikasi gambar dibuktikan oleh arsitektur Lenet-5, yang juga membuatnya lebih banyak digunakan dalam tugas visi komputer.

Jaringan saraf berulang

Jaringan saraf berulang (RNN) adalah jenis jaringan saraf yang dapat memproses data berurutan dengan melacak konteks masukan sebelumnya. Jaringan saraf berulang dapat menangani masukan dengan panjang yang bervariasi dan menghasilkan keluaran yang bergantung pada masukan sebelumnya, tidak seperti jaringan saraf umpan maju yang umum, yang hanya memproses data masukan dalam urutan yang tetap.

Misalnya, RNN dapat digunakan dalam aktivitas NLP seperti pembuatan teks atau penerjemahan bahasa. Jaringan saraf berulang dapat dilatih pada pasangan kalimat dalam dua bahasa berbeda untuk belajar menerjemahkan keduanya.

RNN memproses kalimat satu per satu, menghasilkan kalimat keluaran tergantung pada kalimat masukan dan keluaran sebelumnya pada setiap langkah. RNN dapat menghasilkan terjemahan yang benar bahkan untuk teks yang rumit karena ia melacak masukan dan keluaran sebelumnya.

Jaringan konvolusional penuh

Jaringan konvolusional penuh (FCN) adalah jenis arsitektur jaringan saraf yang umum digunakan dalam tugas-tugas visi komputer seperti segmentasi gambar, deteksi objek, dan klasifikasi gambar. FCN dapat dilatih secara menyeluruh menggunakan backpropagation untuk mengkategorikan atau melakukan segmentasi gambar.

Backpropagation adalah algoritma pelatihan yang menghitung gradien fungsi kerugian sehubungan dengan bobot jaringan saraf. Kemampuan model pembelajaran mesin untuk memprediksi keluaran yang diantisipasi untuk masukan tertentu diukur dengan fungsi kerugian.

FCN hanya didasarkan pada lapisan konvolusional, karena tidak memiliki lapisan yang terhubung sepenuhnya, sehingga lebih mudah beradaptasi dan lebih efisien secara komputasi daripada jaringan saraf konvolusional konvensional. Jaringan yang menerima gambar masukan dan mengeluarkan lokasi dan klasifikasi objek dalam gambar tersebut merupakan contoh FCN.

Jaringan transformator spasial

Jaringan transformator spasial (STN) digunakan dalam tugas-tugas visi komputer untuk meningkatkan invariansi spasial dari fitur-fitur yang dipelajari oleh jaringan. Kemampuan jaringan saraf untuk mengenali pola atau objek dalam gambar terlepas dari lokasi geografis, orientasi, atau skalanya dikenal sebagai invariansi spasial.

Jaringan yang menerapkan transformasi spasial yang dipelajari ke gambar masukan sebelum memprosesnya lebih lanjut adalah contoh STN. Transformasi tersebut dapat digunakan untuk menyelaraskan objek dalam gambar, mengoreksi distorsi perspektif, atau melakukan perubahan spasial lainnya untuk meningkatkan kinerja jaringan pada pekerjaan tertentu.

Transformasi mengacu pada operasi apa pun yang mengubah gambar dengan cara tertentu, seperti memutar, mengubah skala, atau memotong. Penyelarasan mengacu pada proses memastikan bahwa objek dalam gambar dipusatkan, diarahkan, atau diposisikan dengan cara yang konsisten dan bermakna.

Bila objek dalam gambar tampak miring atau berubah bentuk karena sudut atau jarak pengambilan gambar, distorsi perspektif terjadi. Penerapan beberapa transformasi matematika pada gambar, seperti transformasi afin, dapat digunakan untuk mengoreksi distorsi perspektif. Transformasi afin mempertahankan garis paralel dan rasio jarak antar titik untuk mengoreksi distorsi perspektif atau perubahan spasial lainnya dalam gambar.

Perubahan spasial merujuk pada modifikasi apa pun pada struktur spasial suatu gambar, seperti membalik, memutar, atau menerjemahkan gambar. Perubahan ini dapat menambah data pelatihan atau mengatasi tantangan tertentu dalam tugas, seperti variasi pencahayaan, kontras, atau latar belakang.

Bagaimana cara kerja jaringan saraf konvolusional?

Jaringan saraf konvolusional bekerja dengan mengekstraksi fitur dari data masukan melalui lapisan konvolusional dan belajar mengklasifikasikan data masukan melalui lapisan yang terhubung sepenuhnya.

Langkah-langkah yang terlibat dalam kerja jaringan saraf konvolusional meliputi hal berikut:

  • Lapisan masukan: Lapisan masukan — lapisan pertama dalam CNN — mengambil data mentah sebagai masukan, seperti gambar atau video, dan mengirimkannya ke lapisan berikutnya untuk diproses.

  • Lapisan konvolusional: Ekstraksi fitur berlangsung di lapisan konvolusional. Lapisan ini menerapkan kumpulan filter atau kernel untuk mengekstrak fitur seperti tepi, sudut, dan bentuk dari data input.

  • Lapisan ReLU: Untuk memberikan non-linearitas pada output dan meningkatkan kinerja jaringan, fungsi aktivasi unit linear terektifikasi (ReLU) sering kali diterapkan setelah setiap lapisan konvolusional. ReLU mengeluarkan input secara langsung jika positif dan mengeluarkan nol jika negatif.

  • Lapisan penggabungan: Peta fitur lapisan konvolusional dibentuk dengan lapisan penggabungan, yang mengurangi dimensionalitasnya. Penggabungan maksimum adalah teknik yang umum digunakan di mana nilai maksimum di setiap patch peta fitur diambil sebagai output.

  • Lapisan yang terhubung sepenuhnya: Lapisan yang terhubung sepenuhnya mengambil keluaran yang diratakan dari lapisan pengumpulan dan menerapkan serangkaian bobot untuk menghasilkan keluaran akhir, yang dapat digunakan untuk tugas klasifikasi atau prediksi.

Berikut adalah ilustrasi bagaimana CNN mengkategorikan gambar kucing dan anjing:

  • Langkah 1: Lapisan input menerima gambar 3-saluran (RGB) dari seekor anjing atau kucing dan data gambar mentah lainnya. 3-saluran (RGB) adalah format standar yang digunakan untuk merepresentasikan gambar berwarna dalam jaringan neural, dengan setiap piksel direpresentasikan oleh tiga nilai yang merepresentasikan intensitas saluran warna merah, hijau, dan biru.

  • Langkah 2: Lapisan konvolusional menerapkan serangkaian filter ke gambar masukan untuk mengekstrak fitur seperti tepi, sudut, dan bentuk.

  • Langkah 3: Output lapisan konvolusional menjadi non-linier karena lapisan ReLU.

  • Langkah 4: Dengan mengambil nilai maksimum pada setiap peta fitur, lapisan pengumpulan menurunkan dimensionalitas peta fitur yang dibuat oleh lapisan konvolusional.

  • Langkah 5: Banyak lapisan konvolusional dan pengumpulan ditumpuk untuk mengekstraksi karakteristik yang semakin rumit dari gambar masukan.

  • Langkah 6: Lapisan perataan mengubah keluaran lapisan sebelumnya menjadi vektor satu dimensi atau 1D (urutan angka yang disusun dalam satu baris atau kolom, yang masing-masing mewakili fitur atau karakteristik). Kemudian, lapisan yang terhubung sepenuhnya menerima keluaran yang diratakan dari lapisan pengumpulan terakhir dan menerapkan serangkaian bobot untuk menghasilkan keluaran akhir, yang mengidentifikasi apakah gambar tersebut adalah gambar kucing atau anjing.

CNN dilatih menggunakan serangkaian gambar berlabel, dengan bobot filter dan lapisan yang terhubung sepenuhnya disesuaikan selama pelatihan untuk meminimalkan kesalahan antara label yang diprediksi dan yang sebenarnya. Setelah dilatih, jaringan saraf konvolusional dapat secara akurat mengklasifikasikan gambar kucing dan anjing baru yang belum pernah dilihat sebelumnya.

Apa itu jaringan saraf konvolusional dalam pembelajaran mendalam?

Jaringan saraf konvolusional digunakan dalam tugas visi komputer, yang menggunakan lapisan konvolusional untuk mengekstrak fitur dari data masukan.

Jaringan saraf konvolusional (CNN) adalah kelas jaringan saraf dalam yang umum digunakan dalam tugas-tugas visi komputer seperti pengenalan gambar dan video, deteksi objek, dan segmentasi gambar.

Jaringan saraf adalah model pembelajaran mesin yang terdiri dari simpul-simpul yang saling terhubung yang memproses informasi untuk membuat keputusan, sementara jaringan saraf dalam memiliki beberapa lapisan tersembunyi yang memungkinkannya mempelajari representasi kompleks untuk berbagai tugas. Keduanya meniru struktur dan fungsi otak manusia. Visi komputer adalah bidang kecerdasan buatan (AI) yang berfokus pada kemampuan mesin untuk menafsirkan dan memahami data visual dari dunia.

Meskipun pengenalan gambar dan video melibatkan pengklasifikasian atau pengenalan objek, pemandangan, atau tindakan dalam foto atau video, deteksi objek melibatkan pencarian hal-hal tertentu di dalam gambar atau video. Segmentasi gambar melibatkan pembagian gambar menjadi segmen atau wilayah yang bermakna untuk analisis atau manipulasi lebih lanjut.

CNN menggunakan beberapa lapisan konvolusional untuk mengekstraksi fitur secara otomatis dari data masukan. Data masukan difilter oleh lapisan konvolusional, dengan peta fitur yang dihasilkan diteruskan ke lapisan pemrosesan lebih lanjut. Lapisan konvolusional adalah blok penyusun CNN yang melakukan operasi penyaringan dan ekstraksi fitur pada data masukan.

Penyaringan adalah proses pengkonvolusian suatu gambar dengan suatu penyaring untuk mengekstraksi fitur-fitur, sedangkan ekstraksi fitur adalah proses mengidentifikasi pola-pola atau fitur-fitur yang relevan dari gambar-gambar yang dikonvolusi.

Lapisan pengumpulan, yang mengurangi sampel keluaran lapisan konvolusional untuk menurunkan biaya komputasi dan meningkatkan kapasitas jaringan untuk menggeneralisasi ke masukan baru, sering disertakan dalam CNN sebagai tambahan pada lapisan konvolusional. Lapisan umum tambahan mencakup lapisan normalisasi, yang membantu mengurangi overfitting dan meningkatkan kinerja jaringan, dan lapisan yang terhubung penuh, yang digunakan untuk tugas klasifikasi atau prediksi.

Banyak aplikasi, seperti pengenalan wajah, mobil tanpa pengemudi, analisis citra medis, dan pemrosesan bahasa alami (NLP), telah banyak menggunakan CNN. CNN juga telah digunakan untuk mencapai hasil mutakhir dalam tugas klasifikasi gambar, seperti tantangan ImageNet.