Faltungsnetze

Kurzbeschriebung

Faltungsnetze (Convolutional Neural Networks, CNNs) sind eine Klasse tiefer neuronaler Netze, die speziell für die Verarbeitung gitterartig strukturierter Daten entwickelt wurden, insbesondere für Bilder, aber auch für Signale und räumlich-zeitliche Daten. Zentrale Idee ist die Verwendung von Faltungsoperationen, um lokale Muster effizient zu erkennen.

Ein Faltungsnetz besteht typischerweise aus Faltungsschichten, Nichtlinearitäten (z. B. ReLU), Pooling-Schichten zur Dimensionsreduktion und nachgeschalteten vollvernetzten Schichten. Die Faltung berechnet lokale Merkmalskarten nach '"`UNIQ--math-00000000-QINU`"', wobei '"`UNIQ--math-00000001-QINU`"' ein lernbarer Filter ist. Durch Gewichtsteilung wird die Anzahl der Parameter stark reduziert.

CNNs lernen Merkmale hierarchisch: frühe Schichten erfassen einfache Muster (Kanten, Texturen), spätere Schichten komplexe Strukturen (Objekte, Formen). Diese Architektur macht CNNs sehr daten- und recheneffizient für visuelle und räumliche Aufgaben.

Es existieren zahlreiche Architekturen und Erweiterungen, darunter ResNet, U-Net, DenseNet und 3D-CNNs. Trotz hoher Leistungsfähigkeit sind CNNs meist schwer interpretierbar und erfordern große, gut annotierte Datensätze.

Anwendbarkeit im Gesundheitssektor

Im Gesundheitswesen sind Faltungsnetze eine Schlüsseltechnologie für die medizinische Bildverarbeitung, etwa in Radiologie, Pathologie und Dermatologie. Sie werden eingesetzt zur Erkennung von Tumoren, Läsionen, Organstrukturen oder pathologischen Mustern in Röntgen-, CT-, MRT- und Histopathologiebildern.

In Public Health kommen CNNs u. a. bei der automatisierten Auswertung großer Bild- oder Sensordatenbestände zum Einsatz, etwa bei Umwelt- und Satellitendaten, Mobilitätserfassung oder infrastruktureller Analyse. Ihre Rolle ist überwiegend prädiktiv; kausale Interpretationen sind ohne zusätzliche Methodik nicht möglich.

Sonstiges

Sehr leistungsfähig für Bild- und Signalverarbeitung

Hoher Bedarf an annotierten Trainingsdaten

Erklärbarkeit erfordert Zusatzmethoden (z. B. Saliency Maps, Grad-CAM)

Semantik

Wikidata-Identifikator ist: Q170570

Deutsche Wikipediaseite ist: Convolutional_Neural_Network

Englische Wikipediaseite ist: Convolutional_neural_network

Quelle: LeCun et al. (1998), Gradient-Based Learning Applied to Document Recognition

Behandlung von Unsicherheit in den Ergebnissen der Methode ist implizit

Für die Methode benötigte Datenmenge ist groß

Zweck der Methode ist Vorhersage„Vorhersage“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.

Methode ist Mitglied der Methodenfamilie Tiefes Lernen;Maschinelles Lernen„Tiefes Lernen;Maschinelles Lernen“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.

Interpretierbarkeit der Ergebnisse der Methode ist schlecht

Webseite: https://cs231n.stanford.edu/