Red neuronal convolucional (CNN)

Una red neuronal convolucional (CNN, por sus siglas en inglés) es una arquitectura diseñada para procesar datos organizados en cuadrícula, sobre todo imágenes. En lugar de conectar cada píxel con cada neurona, usa pequeños filtros (por ejemplo, de 3×3 píxeles) que se deslizan por toda la imagen buscando un patrón concreto. Esa operación se llama convolución.

Esto tiene dos ventajas. Primero, el mismo filtro se reutiliza en toda la imagen, así que la red necesita muchos menos parámetros. Segundo, detecta un patrón sin importar dónde aparezca: un ojo es un ojo en la esquina o en el centro. Las capas se apilan: las primeras detectan bordes y colores, las siguientes texturas y formas, y las más profundas partes de objetos o rostros completos. Entre capas suele haber operaciones de pooling que reducen el tamaño y resumen la información.

Yann LeCun y colegas desarrollaron redes convolucionales para leer dígitos escritos a mano desde finales de los ochenta, con la familia LeNet. El gran salto llegó en 2012, cuando AlexNet, de Krizhevsky, Sutskever y Hinton, ganó la competencia ImageNet con un margen amplio gracias a una CNN profunda entrenada con GPU. Ese resultado impulsó el auge del aprendizaje profundo.

Las CNN son la base de buena parte de la visión por computadora: clasificación, detección de objetos y segmentación. También se aplican a audio y otras señales. Hoy compiten con los transformers de visión, aunque siguen siendo muy usadas, especialmente en dispositivos con pocos recursos.