Convoluzioni

Vedere Attraverso gli Occhi di una CNN

Il Capitolo 4, "Macchine capaci di vedere", ci ha raccontato la storia e i concetti fondamentali delle Reti Neurali Convoluzionali (CNN), nate dall'esigenza di superare i limiti dei primi percettroni e ispirate dalle scoperte sul funzionamento della nostra stessa corteccia visiva. Ricordate come Hubel e Wiesel scoprirono neuroni specializzati nel rilevare bordi e orientamenti? E come Yann LeCun trasformò queste idee in un'architettura computazionale rivoluzionaria?

Il cuore di questa rivoluzione è l'operazione di convoluzione. Immagina, come descritto nel capitolo, un piccolo "riflettore" o filtro (chiamato anche kernel) che scorre su un'immagine. Questo filtro non è passivo: è progettato (o, nelle vere CNN, appreso) per cercare pattern specifici: un bordo verticale, una curva, una certa texture. Passando il filtro sull'immagine originale, si crea una nuova immagine, una "mappa delle caratteristiche", che evidenzia dove quei pattern sono stati trovati. La genialità sta nel fatto che questo processo conserva le informazioni spaziali, superando almeno in parte il limite dell'"appiattimento" dei vecchi modelli, e permette alla rete di costruire una comprensione gerarchica dell'immagine, partendo da caratteristiche semplici (bordi) per arrivare a concetti complessi (oggetti), un po' come mostrato schematicamente nella Figura 4.2 del libro.

Il Simulatore di Filtri Convoluzionali che qui hai a disposizione ti permette di fare proprio questo: diventare l'artefice del filtro! Il simulatore isola il singolo passo di convoluzione e ti consente di sperimentare direttamente come diversi tipi di kernel trasformano un'immagine, mettendo in risalto aspetti differenti. Prova a modificare i valori presenti nella matrice 3 x 3 e vedi che effetti produce sulla figura che tu stesso hai scelto per provere i Filtri Convoluzionali. È uno strumento didattico potente perché ti fa vedere visivamente l'effetto di quell'operazione matematica fondamentale che le CNN usano per "interpretare" il mondo visivo.

Guida all'Uso del Simulatore: Esploriamo i Filtri!

Ora vediamo come usare questo strumento per capire meglio come funzionano i filtri e come si integrano nelle CNN.

1. Carica un'Immagine:

   • Clicca sul pulsante "Carica Immagine".

   • Scegli un file immagine dal tuo computer (PNG, JPG, ecc.). Per iniziare, prova con un'immagine che abbia linee ben definite, forme geometriche o texture interessanti (come un edificio, un volto, un tessuto).

   • Vedrai l'immagine apparire nel riquadro "Immagine Originale". Se non hai un'immagine pronta, puoi cercarne una online e salvarla.

2. Esplora i Filtri Predefiniti: Il modo più semplice per iniziare è usare i filtri già pronti.

   • Vai alla sezione "Kernel (Matrice 3x3)". Troverai un menu a tendina ("Scegli un filtro predefinito").

   • Prova l'Identità (Identity): Selezionalo e clicca "Applica Filtro". L'immagine risultante sarà identica all'originale. Osserva la matrice 3x3 del kernel: ha un '1' al centro e '0' altrove. Questo significa che ogni pixel di output è semplicemente il valore del pixel di input corrispondente, senza modifiche. È il nostro punto di partenza.

   • Prova il Rilevamento Bordi (Edge Detect) o i filtri Sobel: Selezionane uno (es. "Edge Detect") e clicca "Applica Filtro". Cosa noti? L'immagine risultante evidenzia i contorni, le linee nette, le zone di forte contrasto. Questo è esattamente ciò che fanno i primi strati di una CNN! Stai simulando quei neuroni "sensibili ai bordi" ispirati da Hubel e Wiesel [13]. Prova i diversi filtri Sobel (Sinistro, Destro, Superiore, Inferiore): noterai che accentuano i bordi con orientamenti specifici.

   • Prova la Sfocatura (Box Blur o Gaussian Blur): Seleziona uno dei filtri di sfocatura e applicalo. L'immagine diventerà meno nitida. Questi filtri fanno una media dei pixel vicini, attenuando i dettagli fini e il rumore. A volte le CNN usano operazioni simili (come il pooling) per ridurre la dimensionalità o rendere la rappresentazione più robusta a piccole variazioni.

   • Prova la Nitidezza (Sharpen): Applicalo. Noterai che i dettagli e i bordi sembrano più accentuati, quasi "più definiti". Questo filtro aumenta il contrasto tra pixel vicini.

3. Crea il Tuo Filtro Personalizzato: Qui inizia il vero divertimento e la comprensione più profonda!

   • Nel menu a tendina, seleziona "Personalizzato".

   • Ora puoi modificare direttamente i 9 numeri nella griglia del kernel. Questi numeri sono i "pesi" del tuo filtro.

   • Sperimenta! Prova a:

     • Modificare leggermente un filtro esistente (es. prendi "Sharpen" e aumenta un po' il valore centrale o diminuisci quelli circostanti). Clicca "Applica Filtro" e osserva le differenze.

     • Creare un kernel completamente nuovo. Ad esempio, prova a mettere valori positivi in una riga e negativi in un'altra per vedere se riesci a rilevare linee orizzontali.

     • Vedere cosa succede con valori molto grandi o molto piccoli.

   • Rifletti: Ogni set di numeri che inserisci definisce quale tipo di pattern locale il filtro andrà a cercare e quanto sarà sensibile ad esso.

4. Collega all'Apprendimento delle CNN:

   • Ricorda: nel simulatore, sei tu a scegliere o definire i numeri nel kernel. In una vera CNN addestrata, questi numeri (i pesi del kernel) non sono predefiniti, ma vengono appresi automaticamente dalla rete durante il processo di training [25], tipicamente tramite la backpropagation.

   • La rete impara quali kernel sono più utili per estrarre le caratteristiche che le servono per risolvere il suo compito specifico (es. distinguere gatti da cani, o leggere codici postali [26, 28]).

   • Immagina ora di avere non uno, ma decine o centinaia di filtri diversi nel primo strato della CNN, ognuno appreso per rilevare un pattern specifico (bordi verticali, orizzontali, diagonali, curve, gradienti di colore...). L'output di tutti questi filtri (le mappe delle caratteristiche) fornisce una descrizione ricca e multi-sfaccettata dell'immagine.

   • Gli strati successivi della CNN prenderanno queste mappe come input e applicheranno altri filtri per rilevare combinazioni di queste caratteristiche più semplici, costruendo così rappresentazioni sempre più complesse e astratte [34, 41], fino ad arrivare al riconoscimento di oggetti interi.

Conclusione:

Questo simulatore è una finestra sul primo, fondamentale passo dell'elaborazione visiva compiuto dalle Reti Neurali Convoluzionali. Giocandoci, puoi sviluppare un'intuizione visiva su come funzionano i filtri e perché sono così efficaci nell'estrarre informazioni significative dalle immagini. È un modo eccellente per demistificare una delle tecnologie di Intelligenza Artificiale più potenti e pervasive dei nostri tempi!

Spero questa introduzione e guida ti siano utili per esplorare il simulatore e approfondire la tua comprensione delle CNN. Buon divertimento con gli esperimenti!

Antonio Rizzo & Paolo Legrenzi