Konvoluutioneuroverkkojen kehitys ja tulevaisuus konenäköön liittyvissä tehtävissä

Abstract

Tutkielma käsittelee konvoluutioneuroverkkojen kehitystä ja tulevaisuutta konenäön näkökulmasta. Konvoluutioneuroverkkojen kehitystä tarkastellaan vuodesta 1998 aina tähän päivään asti keskittyen suurimpiin kehityspisteisiin arkkitehtuurissa aina LeNetista CovNextiin. Tutkielmassa käydään läpi yleisarkkitehtuurin kehittyminen ja siihen liittyvät osa- alueet kirjallisuuteen pohjautuen. Lisäksi pohditaan, onko konvoluutioneuroverkolla nykypäivässä kuvamuuntimien aikakaudella paikkaa konenäön kehityksessä avaamalla aiempia arkkitehtuurirakenteen kehityksiä. Näihin pohjaamalla tutkielma hahmottaa tulevaisuuden kehitysmahdollisuuksia. Konvoluutioneuroverkot ovat edelleen hyvin olennaisia ja niitä voidaan hyödyntää monipuolisesti. Erityisen merkittävä rooli niillä on kuvamuuntajien hyödyntämisessä hybridimalleissa. Konvoluutioneuroverkot toimivat paremmin tietyissä rajoitetuissa ympäristöissä kuvamuuntajiin nähden, tämän vahvistaa niiden roolia. Seuraavina vuosina lisätutkimuksessa tulisi keskittyä erityisesti hybridimalleihin yhdessä kuvamuuntajien kanssa sekä tehokkaamman arkkitehtuurin kehittämiseen. Tutkimuksen valossa konvoluutioneuroverkkojen tulevaisuus konenäössä on valoisa ja täynnä kehittämis- ja soveltamismahdollisuuksia.

The thesis explores the development and future of convolutional neural networks (CNNs) from the perspective of computer vision. The development of CNNs is ex- amined from 1998 to the present day, focusing on the major architectural milestones from LeNet to ConvNeXt. The thesis discusses the evolution of general CNN architecture and its related com- ponents based on existing literature. Furthermore, it considers whether CNNs still have a role in the era of vision transformers by analyzing past architectural advance- ments. Building on these insights, the thesis outlines possible future development directions. CNNs remain highly relevant and versatile in modern applications. They play a particularly significant role in hybrid models that incorporate vision transformers. In fact, CNNs outperform vision transformers in certain constrained environments, which reinforces their importance. In the coming years, further research should focus especially on hybrid models and the development of more efficient architec- tures. Based on current research, the future of convolutional neural networks in computer vision appears bright, with numerous opportunities for both development and application.