Deconvolutional Neural Network (DNN)

Ein Deconvolutional Neural Network ist ein Convolutional Neural Networks (CNN), das umgekehrt funktioniert. Deconvolutional Neural Networks, zu Deutsch etwa dekonvolutionäre Netzwerke oder dekonvolutionäre neuronale Netzwerke, sind CNNs grundsätzlich ähnlich, laufen aber in umgekehrter Richtung. Sie sind allerdings eine eigenständige Anwendung der künstlichen Intelligenz (KI).

Deconvolutional Neural Networks sind bestrebt, Merkmale oder Signale zu finden, die zuvor für die Aufgabe eines Convolutional Neural Network unter Umständen nicht als wichtig erachtet wurden. Ein Signal kann verloren gehen oder als nicht wichtig betrachtet werden, weil es mit anderen Signalen „gefaltet“ wurde. Die Entfaltung von Signalen lässt sich sowohl in der Bildsynthese als auch in der Bildanalyse verwenden.

Ein Convolutional Neural Network ahmt die Funktionsweise der Frontallappen eines menschlichen Gehirns in der Bildverarbeitung nach. Ein Deconvolutional Neural Network dekonstruiert die verarbeiteten Daten. Diese Rückwärtsfunktion kann auch als Reverse Engineering von Convolutional Neural Networks betrachtet werden, bei dem Schichten aufgebaut werden, die als Teil des Gesamtbildes aus dem Sichtfeld der maschinellen Bildverarbeitung erfasst wurden, und das Gefaltete entfalten.

Deconvolutional Neural Networks sind mit anderen Methoden des Deep Learning verbunden, die für die Extraktion von Merkmalen aus hierarchischen Daten verwendet werden, wie sie zum Beispiel in Deep-Believe-Netzwerken vorkommen. Deconvolutional Neural Networks werden hauptsächlich in der Informatik und verwandten wissenschaftlichen Studienbereichen eingesetzt.