CNN: จากพิกเซลสู่ความเข้าใจ

CNN (Convolutional Neural Network) คือโมเดล Deep Learning ที่ออกแบบมาเพื่อ เข้าใจข้อมูลที่เป็นภาพ (Image) โดยเฉพาะ แต่ปัจจุบันยังนำไปใช้กับเสียง วิดีโอ และข้อมูลเชิงพื้นที่อื่น ๆ ได้ด้วย

“สมองที่ค่อย ๆ มองภาพจากรายละเอียดเล็ก ไป ใหญ่”

• มองเส้น (edge)
• มองรูปทรง (shape)
• มองวัตถุ (object)

แทนที่จะดูภาพทั้งภาพพร้อมกันเหมือนมนุษย์

โครงสร้างของ CNN

1) Convolution Layer (แกนหลักของ CNN)

• ใช้ Filter / Kernel (เช่น 3×3)
• เลื่อนสแกนภาพเพื่อจับ pattern
• ตรวจจับ:
  • เส้น
  • มุม
  • ลวดลาย

ผลลัพธ์เรียกว่า Feature Map

2) Activation Function (เช่น ReLU)

• เพิ่มความไม่เป็นเชิงเส้น (Non-linearity)
• ทำให้โมเดลเรียนรู้สิ่งซับซ้อนได้
• ReLU = ติดลบเป็น 0 ติดบวกผ่าน

3) Pooling Layer

• ลดขนาดภาพ
• เก็บข้อมูลสำคัญ
• ทำให้โมเดลทนต่อการขยับเล็กน้อยของภาพ

ตัวอย่างเช่น การทำ Max Pooling

4) Fully Connected Layer

• รวม feature ทั้งหมด
• ใช้ตัดสินใจผลลัพธ์สุดท้ายเช่น “นี่คือแมว หรือ สุนัข”

การทำงาน

ภาพแมว

• CNN ตรวจจับเส้นขอบ
• เรียนรู้รูปหน้า หู ตา
• รวมเป็น “แมว”

CNN ไม่รู้จักคำว่าแมว แต่รู้ว่า pattern แบบนี้ คือ แมว

ทำไม CNN ถึงเก่งเรื่องภาพ

• ใช้ Parameter น้อยกว่า Neural Network ทั่วไป
• เรียนรู้โครงสร้างเชิงพื้นที่ (Spatial)
• ทนต่อ noise และการเปลี่ยนตำแหน่งเล็กน้อย

ตัวอย่างงานที่ใช้ CNN

• Face Recognition
• รถยนต์ไร้คนขับ
• Medical Imaging (X-ray, MRI)
• OCR อ่านลายมือ
• ตรวจจับวัตถุ (Object Detection)

ข้อจำกัด

• ต้องใช้ข้อมูลเยอะ
• ใช้พลังประมวลผลสูง
• อธิบายเหตุผลในการตัดสินใจยาก (Black box)

สรุป

CNN คือ โมเดลที่สอนให้คอมพิวเตอร์ “มองภาพเป็น”