O que são Redes Neurais Convolucionais e Como Funciona?

11-07-2023

O que são, Redes, Neurais, Convolucionais, Como Funciona

As redes neurais convolucionais (Convolutional Neural Networks - CNNs) são um tipo especializado de arquitetura de redes neurais profundas, inspiradas no córtex visual dos animais.

As CNNs foram projetadas para processar dados de entrada com uma estrutura de grade, como imagens, através de camadas de convolução, pooling e camadas completamente conectadas.

Esta arquitetura específica permite que as CNNs captem e explorem eficientemente os padrões e características presentes nas imagens.

Como Funciona?

As redes neurais convolucionais consistem em várias camadas interconectadas, cada uma desempenhando um papel específico no processo de aprendizagem. Vamos explorar as principais camadas numa CNN:

1 - Camada de convolução:

A camada de convolução é a base das CNNs. Nesta camada, um conjunto de filtros (também conhecidos como kernels) é aplicado à imagem de entrada para extrair características importantes. Cada filtro é uma pequena janela deslizante que percorre toda a imagem, calculando a convolução entre o filtro e a seção da imagem que está a analisar. O resultado desta convolução é denominado de "mapa de características" ou "mapa de ativação", que destaca as áreas relevantes da imagem onde determinadas características foram encontradas.

2 - Camada de pooling:

A camada de pooling é utilizada para reduzir a dimensão espacial dos mapas de características, reduzindo assim a quantidade de parâmetros a serem aprendidos e controla o overfitting. A operação de pooling envolve a subdivisão do mapa de características em regiões e a redução destas regiões a um único valor, como a média ou o máximo valor dentro dessa região. Desta forma, as informações mais importantes são preservadas e é reduzida a quantidade de dados a serem processados.

3 - Camada completamente conectada:

Após a etapa de convolução e pooling, os mapas de características resultantes são "achatados" num vetor unidimensional e alimentados numa camada completamente conectada, também conhecida como camada densa. Esta camada final é semelhante a uma rede neural tradicional, onde cada neurónio está conectado a todos os neurónios da camada anterior. Esta camada é responsável pela tomada de decisões finais e produz a saída desejada, como uma classe de objeto ou uma probabilidade.