Interpretación y análisis de sensibilidad de CNN mediante imágenes sintéticas

Abstract

Las redes neuronales convolucionales son redes computacionales organizadas jerárquicamente, y compuestas por un gran número de parámetros, las cuales tratan de simular el funcionamiento del sistema nervioso biológico. A partir de unas imágenes de entrada, consiguen extraer patrones que permitan realizar una clasificación de las imágenes. Estas redes tienen un futuro muy relevante en muchos ámbitos, entre los que se encuentra la detección precoz de algunas enfermedades. El problema presentado por este tipo de redes es el desconocimiento de cómo aprende la red, y de qué manera extrae los patrones. Si este proceso de aprendizaje de la red fuese más conocido y, consecuentemente, estuviese más controlado, sería más sencillo orientar a la red para conseguir que detecte los patrones deseados y conseguir la clasificación correcta de lo esperado.

Es por ello que el objetivo de este proyecto sea intentar determinar cómo aprende una red neuronal convolucional y estudiar qué tipo de filtros y arquitecturas son los más adecuados para entrenar una red desde cero. Para ello, se ha llevado a cabo el entrenamiento de redes convolucionales de dos capas, formadas por combinaciones de filtros distintas; posteriormente se ha realizado un análisis de cuatro casos en los cuales la red ha aprendido correctamente a hacer la clasificación esperada; este análisis se ha realizado utilizando dos métodos: el primero, visual, analizando los mapas de activación para observar las partes activadas de cada red y en qué casos no había partes activadas y, en segundo lugar, el método de poda de la red filtro a filtro hasta obtener la red mínima. Los resultados obtenidos han sido de ayuda para conocer nuevos factores influyentes en el aprendizaje de la red como puede ser la interacción o contradicción entre filtros.The convolutional neural networks are hierarchically organized computational networks, and they composed of a large number of parameters, which try to simulate the biological nervous system performance. Starting from some input images, they manage to extract patterns that allow classification of the images. These networks have a very relevant future in many areas, among which we can find the early detection of some diseases. The problem presented by this kind of networks is the lack of knowledge of how the neural network learns, and how it extracts the patterns. If this network learning process were more known and, consequently, more controlled, it would be easier to facw the network to extract the desired patterns and reach the correct classification desired.

That is why the objective of this project is to try to determine how a convolutional neural network learns and study what type of filters and architectures are best suited to train a network from scratch. For this, the training of two-layer convolutional networks has been delivered, formed by combinations of different filters; subsequently, an analysis of four cases has been carried out in which the network has learned correctly to make the expected classification; This analysis has been carried out using two methods: the first one, visual, analyzing the activation maps to observe the activated parts of each network and in which cases there were no activated parts and, secondly, the network pruning method filter to filter until the minimum network is reached. The results obtained have been successful and they have allowed us to know new influential factors in network learning process, such as the interaction or contradiction between filters.