Convolución

Operación matemática fundamental utilizada en redes neuronales convolucionales (CNN) para procesar datos estructurados en forma de grillas, como imágenes.

Su principal función es extraer características mediante el desplazamiento de un filtro o kernel sobre la entrada, calculando productos puntuales y proporcionando un mapa de características.

El tamaño del kernel, los pasos (stride) y el relleno (padding) son parámetros esenciales que afectan tanto la resolución del mapa generado como el nivel de detalle capturado.

Permite preservar relaciones espaciales en los datos procesados, lo que la hace ideal para tareas como clasificación de imágenes, segmentación de objetos y detección de patrones visuales.

En aprendizaje profundo, es vital para reducir la dimensionalidad y reducir la complejidad computacional, aumentando la eficiencia del modelo.

Se combina habitualmente con técnicas como agrupamiento (pooling) y funciones de activación no lineales para construir arquitecturas más robustas y precisas.