Redes Neurais Convolucionais (CNNs)

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

Por que as CNNs são Eficazes para Imagens

As CNNs são eficazes porque:

• Preservam Relações Espaciais: Processam 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 CNNs. Elas aplicam filtros (núcleos) à imagem de entrada para extrair características.

Exemplo:

• Entrada: Uma imagem de 5×5.
• Núcleo: Um filtro de 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 Agrupamento

As camadas de agrupamento reduzem o tamanho dos mapas de características enquanto preservam informações importantes. Os tipos comuns incluem:

• Agrupamento Máximo: Retém o maior valor em uma região.
• Agrupamento por 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 classificação de imagens.

Arquitetura Típica de uma CNN

Uma CNN típica consiste em:

1. Camadas Convolucionais: Extraem características da entrada.
2. Camadas de Agrupamento: Reduzem as dimensões do mapa de características.
3. Camadas Totalmente Conectadas: Realizam a classificação ou regressão final.

Vantagens das redes CNN

As redes CNN são altamente 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 imagens 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 redes CNN no processamento de imagens.

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