Redes Neuronales Convolucionales

Las redes neuronales convolucionales (Convolutional Neural Networks, CNN o ConvNets) son una arquitectura de aprendizaje profundo concebida para datos con estructura de rejilla y, muy especialmente, para imágenes. A diferencia de una red neuronal densa, que conecta cada neurona con todas las de la capa anterior, una CNN asume que los píxeles vecinos guardan relación entre sí y explota esa vecindad para reconocer patrones visuales. Esa hipótesis, sencilla pero potente, las convirtió en la herramienta que destrabó la moderna visión por computadora.

Su idea central es aprender directamente de los píxeles la representación útil de la imagen, sin que un ingeniero tenga que diseñar a mano los descriptores. La red descubre por sí sola qué mirar, capa a capa, y ajusta esos detectores durante el entrenamiento.

La convolución: filtros locales y pesos compartidos

El bloque que da nombre a la arquitectura es la convolución. Un filtro o núcleo (kernel) es una pequeña matriz de pesos —por ejemplo de 3×3— que se desliza por toda la imagen y, en cada posición, calcula una combinación de los píxeles que cubre. El resultado es un mapa de activación que señala dónde aparece el patrón que ese filtro detecta: un borde, una mancha de color, una textura. Cada capa aplica muchos filtros en paralelo, de modo que una misma entrada produce decenas de mapas complementarios.

Dos propiedades explican su eficacia. La primera es la conexión local: cada neurona solo observa una pequeña región, su campo receptivo, en lugar de la imagen entera. La segunda son los pesos compartidos: el mismo filtro se reutiliza en todas las posiciones. Compartir pesos reduce drásticamente el número de parámetros frente a una capa densa y aporta invariancia a la traslación: un ojo o una rueda se detectan igual estén arriba o abajo en la escena.

Pooling y la jerarquía de rasgos

Entre convoluciones se intercalan capas de pooling o submuestreo, que resumen cada región tomando, por ejemplo, su valor máximo. Con ello reducen la resolución del mapa, recortan el cómputo y hacen la representación más robusta frente a pequeños desplazamientos. Apilando estos bloques, la red construye una jerarquía de rasgos: las primeras capas responden a bordes y colores; las intermedias, a motivos y partes —una esquina, un ojo, una rueda—; y las profundas, a objetos completos. Esa progresión de lo simple a lo complejo es la que permite pasar de píxeles a conceptos, y la que emparienta a las CNN con las primeras etapas del sistema visual biológico.

Historia: de LeNet a AlexNet (2012) y hoy

La inspiración se remonta a los estudios de Hubel y Wiesel sobre el córtex visual, que describieron neuronas sensibles a bordes con orientación dentro de campos receptivos locales. Sobre esa idea, Yann LeCun desarrolló LeNet-5 (1998), una CNN entrenada con retropropagación que leía dígitos manuscritos de cheques y códigos postales. El punto de inflexión llegó en 2012, cuando AlexNet, de Krizhevsky, Sutskever y Hinton, ganó el concurso ImageNet recortando el error de clasificación muy por debajo del de sus rivales y demostrando el poder de entrenar redes profundas sobre GPU. Después vinieron arquitecturas más hondas como VGG y ResNet. Hoy las CNN comparten protagonismo con los Vision Transformers, que aplican mecanismos de atención a las imágenes, pero siguen siendo una referencia imprescindible de la visión por computadora.