Redes neurais convolucionais (CNN)

As redes neurais convolucionais (CNN) são um tipo especializado de rede neural projetado para processar dados de imagem. Elas são amplamente utilizadas em tarefas como classificação de imagens, detecção de objetos e reconhecimento facial.

Por que as CNN são eficazes para imagens

As CNN são eficazes porque:

• Preservam as relações espaciais: processam as imagens como grades de pixels.
• Reduzem o custo computacional: usam pesos compartilhados para regiões locais (núcleos).
• Extraem características hierárquicas: detectam bordas, formas e padrões complexos em camadas.

Camadas de convolução

As camadas de convolução são o núcleo das CNN. Elas aplicam filtros (núcleos) à imagem de entrada para extrair características.

Exemplo:

• Entrada: uma imagem 5×5.
• Núcleo: um filtro 3×3.
• Saída: um mapa de características que destaca padrões.

Exemplo: aplicando uma convolução

Podemos usar Python e NumPy para simular uma operação de convolução simples:

import numpy as np

# Example 5x5 image
image = np.array([
    [1, 2, 3, 0, 1],
    [0, 1, 2, 3, 4],
    [1, 2, 3, 0, 1],
    [0, 1, 2, 3, 4],
    [1, 0, 1, 2, 3]
])

# Example 3x3 kernel
kernel = np.array([
    [1, 0, -1],
    [1, 0, -1],
    [1, 0, -1]
])

# Perform convolution (without padding or strides)
from scipy.signal import convolve2d
output = convolve2d(image, kernel, mode='valid')
print("Feature Map:", output)

Camadas de Subamostragem

As camadas de subamostragem reduzem o tamanho dos mapas de características, preservando informações importantes. Os tipos comuns incluem:

• Subamostragem máxima: Preserva o maior valor em uma região.
• Subamostragem média: Calcula o valor médio em uma região.

Camadas totalmente conectadas

As camadas totalmente conectadas ligam todos os neurônios de uma camada à seguinte. Elas combinam as características extraídas para fazer previsões em tarefas como a classificação de imagens.

Arquitetura Típica de CNN

Uma CNN típica é composta por:

1. Camadas convolucionais: Extraem características da entrada.
2. Camadas de subamostragem: Reduzem as dimensões dos mapas de características.
3. Camadas totalmente conectadas: Realizam a classificação ou regressão final.

Vantagens das CNN

As redes CNN são muito eficazes no processamento de imagens devido a:

• Extração eficiente de características com camadas convolucionais.
• Redução do sobreajuste por meio do compartilhamento de parâmetros.
• Capacidade de processar dados de imagem complexos com várias camadas.

Resumo e próximos passos

Nesta lição, nós:

• Exploramos a estrutura e o funcionamento das redes neurais convolucionais.
• Aprendemos sobre convolução, agrupamento e camadas totalmente conectadas.
• Discutimos as vantagens das CNN no processamento de imagens.

Em seguida, criaremos um projeto básico de classificação de imagens usando CNN para aplicar o que aprendemos.