Una red neuronal clásica trata cada píxel como una entrada independiente. Para una foto pequeña de 200×200 en color, eso son 120 000 números conectados a la primera capa: millones de pesos, y aun así el modelo no entiende que dos píxeles vecinos tienen algo que ver. Peor todavía: si el gato se mueve diez píxeles a la derecha, para la red es una imagen completamente distinta. Las redes convolucionales (Convolutional Neural Networks, CNN) nacieron para arreglar exactamente esto, y son el motor detrás de la visión por computador —desde el reconocimiento facial hasta plataformas como Deep-Hub, que detecta objetos en imágenes aéreas—.
La idea: mirar por parches, no de golpe
Una CNN no mira la imagen entera de una vez. Desliza una pequeña ventana —el filtro o kernel, típicamente de 3×3— por toda la imagen, y en cada posición calcula un número que resume ese parche. Esa operación se llama convolución.
La magia está en que el mismo filtro se reutiliza en toda la imagen. Un filtro que aprende a detectar "borde vertical" lo detectará en la esquina superior izquierda y en el centro, con los mismos pesos. Dos consecuencias enormes:
- Muchísimos menos parámetros: un filtro de 3×3 son 9 números, no uno por píxel.
- Invariancia a la posición: si el objeto se mueve, el filtro lo encuentra igual. Esto se llama parameter sharing.
De bordes a ojos a caras: la jerarquía
Una CNN apila muchas capas convolucionales, y ahí ocurre lo interesante. Los filtros no se programan a mano: se aprenden con backpropagation, igual que cualquier otra red. Y aprenden una jerarquía:
- Las primeras capas detectan cosas simples: bordes, colores, esquinas.
- Las capas intermedias combinan esos bordes en texturas y partes: un ojo, una rueda, una hoja.
- Las capas profundas combinan esas partes en conceptos completos: una cara, un auto, un bosque.
Es la misma idea que hace potente al deep learning: construir lo complejo apilando lo simple.
Pooling: quedarse con lo importante
Entre capas convolucionales suele haber una de pooling, que reduce el tamaño del mapa quedándose con lo esencial. El más común, max pooling, toma cada bloque de 2×2 y conserva solo su valor máximo:
Esto achica los datos (menos cómputo), y le da a la red una tolerancia extra: no importa si el borde estaba en este píxel o en el de al lado, el máximo sobrevive. La red se vuelve un poco más robusta a pequeños desplazamientos.
La arquitectura completa
Juntando las piezas, una CNN típica es una tubería:
imagen → [convolución + activación] → pooling → … (se repite) … → aplanar → capa densa → predicción
El bloque de convolución y pooling se repite varias veces, extrayendo características cada vez más abstractas y reduciendo el tamaño. Al final, esos mapas se "aplanan" en un vector y pasan por una red neuronal tradicional que toma la decisión: "esto es un gato", o "hay 14 camiones en esta imagen aérea".
Por qué importan
Antes de las CNN, hacer que un computador reconociera un objeto exigía que un experto diseñara a mano qué características buscar. Las CNN dieron vuelta el problema: en vez de decirle a la red qué mirar, le damos miles de imágenes de ejemplo y ella aprende sola los filtros útiles. Ese salto es lo que hizo posible la visión por computador moderna, y sigue siendo la base de sistemas que hoy cuentan árboles desde un dron, leen radiografías o guían un auto. Los Transformers empezaron a disputarles el terreno en visión, pero para la enorme mayoría de las tareas con imágenes, la CNN sigue siendo la herramienta de referencia.