⚡ Executive Summary

Convolutional Neural Networks (CNN’s) hebben computer vision sterk veranderd. Ze zijn geïnspireerd door de menselijke visuele cortex en leren kenmerken stap voor stap — van lijnen tot volledige objecten.

De convolutionele lagen gebruiken filters om patronen te vinden in beelden, terwijl poolinglagen de data verkleinen om sneller en efficiënter te werken.

Belangrijke mijlpalen in de evolutie:

• 🧩 LeNet-5 – de basisarchitectuur
• 🧩 AlexNet (2012) – grote doorbraak met dropout en data-augmentatie
• 🧩 ResNet (2015) – skip connections voor zeer diepe netwerken

Tegenwoordig worden CNN’s vooral gebruikt via transfer learning, waarbij bestaande modellen (zoals ResNet of Xception) worden aangepast aan nieuwe taken. Ze vormen de kern van toepassingen zoals classificatie, objectdetectie en segmentatie.

How_Computers_Learned_to_See.mp4

🧩 I. Grondslagen van Convolutional Neural Networks

👁️ A. Inspiratie: Het Menselijke Visuele Systeem

CNN’s zijn gebaseerd op inzichten uit de visuele cortex van het brein:

• Lokale Receptieve Velden: Neuronen reageren enkel op prikkels binnen een klein deel van het gezichtsveld. Deze velden overlappen elkaar en dekken zo het hele zicht.
• Hiërarchische Structuur: Hogere neuronen combineren informatie van lagere lagen. Zo ontstaat een opbouw van eenvoudige naar complexe patronen.

Deze opbouw maakt dat het brein eerst basisvormen herkent (lijnen, hoeken) en die vervolgens samenvoegt tot objecten. CNN’s bootsen dit proces na.

🚀 B. De Opkomst en Succes van CNN’s