Redes Neurais Convolucionais (CNN)

Prévia do material em texto

Tema 42: Redes Neurais Convolucionais (CNN) 
As Redes Neurais Convolucionais (CNN) são um tipo especial de rede neural projetada para 
processar dados com estrutura de grade, como imagens. Elas são essenciais para tarefas de visão 
computacional, como detecção de objetos, reconhecimento de imagem e segmentação de 
imagens. As CNNs são inspiradas na organização do sistema visual humano, e seu design 
permite capturar padrões espaciais hierárquicos e a redução da dimensionalidade. 
Estrutura de uma CNNA CNN é composta por uma sequência de camadas que processam e 
extraem características de uma imagem. As camadas típicas incluem: 
1. Camada Convolucional: Esta camada aplica filtros (ou kernels) sobre a imagem de 
entrada para detectar características como bordas, formas e texturas. Ela realiza uma 
operação matemática chamada convolução, que transforma a entrada em um mapa de 
características. 
2. Camada de Pooling (Subamostragem): Após a aplicação dos filtros, a camada de 
pooling é usada para reduzir o tamanho da representação da imagem. Isso ajuda a 
diminuir a complexidade computacional e a evitar o overfitting. O max pooling é o tipo 
mais comum, que pega o valor máximo em uma área específica da imagem. 
3. Camada Totalmente Conectada (Fully Connected): Esta camada conecta todos os 
neurônios da camada anterior com os neurônios da próxima camada, similar a uma rede 
neural tradicional. Ela realiza a classificação final do modelo. 
Funcionamento das Camadas ConvolucionaisNa camada convolucional, os filtros são 
movidos pela imagem e aplicam a operação de convolução. Cada posição do filtro gera um 
valor que corresponde a uma característica da entrada. O objetivo é que, à medida que os filtros 
se movem, eles detectem diferentes padrões de baixo para alto nível. Isso é fundamental para 
tarefas como reconhecimento de objetos, pois padrões complexos podem ser detectados por 
camadas mais profundas da rede.Vantagens das CNNsExtração automática de 
características: As CNNs são capazes de aprender automaticamente as características 
relevantes para a tarefa, sem a necessidade de intervenção humana.Redução de parâmetros: O 
uso de filtros compartilhados e pooling reduz significativamente o número de parâmetros em 
comparação com redes totalmente conectadas tradicionais.Robustez a deslocamentos e 
transformações: Devido à sua arquitetura, as CNNs podem reconhecer padrões de objetos em 
diferentes posições ou escalas. 
Questões de Alternativas - Tema 42: Redes Neurais Convolucionais 
1. Qual das seguintes camadas em uma CNN é responsável pela redução da 
dimensionalidade e pela diminuição do número de parâmetros? 
• a) Camada Totalmente Conectada 
• b) Camada Convolucional 
• c) X Camada de Pooling 
• d) Camada de Normalização 
• 2. O que as camadas convolucionais em uma CNN tentam aprender durante o 
treinamento? 
• a) Características complexas e não lineares dos dados 
• b) X Padrões de baixo para alto nível, como bordas e formas 
• c) A melhor forma de segmentar a imagem 
• d) Abertura de uma rede para transferir aprendizado