Metode Convolutional Neural Network (CNN)

Aug 28, 2024

Catatan Kuliah: Convolutional Neural Network (CNN)

Definisi CNN

  • CNN (Convolutional Neural Network) adalah metode deep learning yang umum digunakan untuk mengolah data gambar dan video.
  • Memiliki convolution layer yang berbeda dari fully connected layer yang dibahas pada video sebelumnya.

Perbandingan Fully Connected Layer dan Convolution Layer

Fully Connected Layer

  • Koneksi penuh antara setiap pixel input (termasuk 3 channel RGB) dan output.
  • Contoh: Jika input gambar 10px x 10px dengan 3 channel, untuk 2 output, setiap pixel terhubung secara langsung.
  • Masing-masing koneksi memiliki weight atau parameter terpisah.

Convolution Layer

  • Melihat input secara lokal, bukan koneksi penuh.
  • Parameter dapat di-share dengan bagian input yang lain.
  • Contoh perhitungan untuk 2 output dengan parameter yang sama untuk setiap bagian spasial input.

Desain Convolution Layer

  1. Kernel Size

    • Menentukan seberapa lokal convolusi: ukuran bisa 1x1, 3x3, 5x5, dll.
    • Jika ukuran sama dengan input, sama dengan fully connected layer.

  2. Stride

    • Menentukan seberapa jauh kernel digeser setiap langkah.
    • Contoh: Jika kernel size 1x1 dan stride 2, beberapa input mungkin terlewat.
    • Berguna untuk mengurangi beban komputasi.

  3. Padding

    • Padding ditambahkan untuk menjaga ukuran output sama dengan input.
    • Contoh: Untuk kernel size 3 dengan stride 1, padding 1 pixel di setiap sisi.

Struktur CNN

  • CNN terdiri dari convolution layer dan fully connected layer.
  • AlexNet adalah contoh CNN yang terdiri dari 5 convolution layer dan 3 fully connected layer.
  • Fungsi Convolution Layer: mengekstrak fitur dari input. Output disebut Feature Map.
  • Fungsi Fully Connected Layer: klasifikasi berdasarkan fitur yang diekstrak.

Penelitian dan Visualisasi

  • Ada riset yang mempelajari fitur yang diekstrak oleh convolution layer, akan dijelaskan di lain waktu.

Jenis-jenis Convolution Layer

  • Convolution 2D (yang paling umum).
  • Jenis lain:
    • 1D Convolution
    • 3D Convolution
    • Dilated Convolution
    • Transposed Convolution
    • Depthwise Convolution
    • Deformable Convolution
  • Perkembangan riset dapat menambah jenis-jenis baru di masa depan.

Kesimpulan

  • Untuk informasi lebih lanjut mengenai macam-macam convolution layer dan perkembangan terbaru, diharapkan untuk subscribe channel ini.