کورتکس بینایی انسان چیست
در این بخش قرار است به توضیح در مورد کورتکس بینایی انسان و تاثیر آن بر روی شبکه عصبی CNN بپردازیم. اما قبل از آن بهتر است با تعریف و تاریخچه شبکه عصبی CNN آشنا شوید.
Convolutional Neural Network(CNN)
یکی از مهم‌ترین شبکه‌های عصبی مورد استفاده در بخش دیپ لرنینگ، شبکه‌های Convolutional Neural Network(CNN) می‌باشند. این شبکه‌ها برای داده‌های بزرگی مثل تصاویر بسیار کارآمد می‌باشند.
تاریخچه Convolutional Neural Network(CNN)
در دهه 1950 و 1960 دو دانشمند بزرگ عصب شناس آقای Hubel و آقای Wiesel هنگامی که بر روی کورتکس بینایی گربه تحقیق می‌کردند. متوجه شدند که علاوه بر نورون‌های معمولی موجود در سیستم عصبی، دو سلول عصبی دیگر هم وجود دارد. به این صورت که با توجه به اینکه سیستم بینایی شش لایه دارد، یکی از این سلول‌ها لایه به لایه مفاهیمی را استخراج می‌کند و این مفاهیم با عبور از هر لایه پیچیده‌تر می‌شوند.
یعنی ابتدا این سلول خطوط، گوشه‌ها و لبه‌ها و سپس اشکال ساده مثل دایره و مربع را کشف می‌کند. با عبور از لایه بعدی اشکال پیچیده‌تر مثل اجزای صورت را می‌تواند کشف کند. در این صورت لایه به لایه داده پیچیده‌تر می‌شود. از طرف دیگر سلول دوم داده‌های اضافی را لایه به لایه دور می‌ریزد.
پژوهشگران حوزه هوش مصنوعی از این ویژگی‌های کورتکس بینایی در بحث هوش مصنوعی و دیپ لرنینگ استفاده کردند. آقای پروفسور Yann LeCun در سال 1989 شبکه‌های Convolutional Neural Network(CNN) را معرفی کرد و دیتاست MNIST را با این شبکه حل کرد. نگاه پروفسور Yann LeCun بر روی دو موضوع بود. یکی تئوری‌هایی که آقای Hubel و آقای Wiesel مطرح کرده‌بودند. و دیگری مدلی به نام Neocognitron بود که آقای Fukushima پیشنهاد داده بودند. که در نهایت با ترکیب این دو به مدل جدید خود دست یافت.
انقلاب دیپ لرنینگ
در سال 2012 آقای Alex Krizhevsky شاگرد پروفسور Hinton با شرکت در یک چالش و استفاده از یک شبکه کانولوشنال دیگر به نام AlexNet ، که با الهام از کورتکس بینایی انسان شکل گرقته اند، توانست مسائل پیچیده‌تری را حل کند. از این نقطه به بعد شبکه‌های CNN در بحث تصاویر بسیار مناسب عمل کردند و دقت کار به شدت بالا رفت.
برای آشنایی بیشتر با مبحث شبکه‌های کانولوشنال و نحوه کار با آن می‌توانید به دوره جامع آموزش یادگیری عمیق در پایتون آکادمی رسا مراجعه کنید.