RDAG CAP02 2025 VA03 CNN CONCEITOS E PRINCIPIOS

Como uma CNN funciona?

Antes de mais nada,
é importante entender

como a entrada para esse
tipo de rede é formada,

que é, justamente,
a composição de imagem.

Aqui, nós temos uma representação
de uma imagem clássica,

onde nós temos uma diferença
entre linhas e colunas,

uma matriz de linhas e colunas
em três dimensões.

Cada dimensão é um canal
de cor dessa imagem,

geralmente é vermelho,
verde e azul.

Isso compõe a função
RGB de uma imagem.

Basicamente, nós temos
pixels que vão de 0 até 255

em cada célula dessa imagem,
em cada um dos canais,

e a soma deles resulta
na imagem final,

na cor final que nós
vemos na tela.

Por exemplo, nessa representação,
nós temos o número 8 escrito à mão,

então é uma imagem esticadinha
sobre esse número 8 escrito à mão.

Nós temos, aqui, a representação
pixel a pixel dessa imagem.

O 0 é a cor preta
e o 255 é a cor branca.

E existe uma série de variações
desses valores, que são, no caso,

uma escala de cinza.

E, aqui na terceira parte,
nós temos a matriz de pixels,

onde temos o valor de cada
pixel em cada posição.

É até possível entender como está
a localização do 8 nessa imagem.

Então, para a máquina poder
aprender essa representação,

ela tem que aprender
misturas de borda,

diferença desses valores
para uma aresta,

para uma bolinha aqui de cima,
uma bolinha aqui de baixo,

que está compondo a característica
visual do número 8.

Então, em uma CNN,
a camada de entrada

se conecta diretamente
a cada pixel das imagens.

Agora, como ela extrai
características dessas imagens?

A operação principal que dá
nome à CNN e a convolução.

A convolução é
uma operação matemática

que representa a soma
de produto de duas funções.

Aqui no caso, uma função
vai ser expressa pelo dado,

pela imagem, por exemplo, e outra
função é uma matriz de pesos

que está representando a importância
de cada parte da imagem

na representação
daquele conteúdo.

Vamos entender isso
na própria imagem.

Então, aqui, nós temos
uma representação

de uma arquitetura
profunda baseada em CNN.

Temos a camada de entrada
e a camada de saída.

Essencialmente, a parte
da CNN, de fato,

é da camada de entrada
até quase antes da saída,

porque é uma parte da rede utilizada
para a extração de features,

que são a operação de convolução
sendo passada por cada uma

das partes dessa imagem.

Essa convolução gera um input
para a próxima camada

que faz uma nova convolução
sobre a camada anterior,

e assim sucessivamente.

O que ele está aprendendo são
representações diretamente da imagem,

como arestas, cantos e, depois,
coisas de mais alto nível,

como variação de cor,
variação de textura

ou, então, combinação de partes
que formam um todo.

Então, um olhinho,
um focinho,

que representam a cara
de um cachorro,

um ponteiro, um número,

que representam
a dimensão de um relógio.

Quando nós chegamos nas últimas
camadas convolucionais,

nós vamos extrair um vetor
com alguma dimensão.

Então, por exemplo, 4096,
ou outro número relevante,

e isso alimenta uma rede
neural artificial clássica

que aprende a distinguir
o que significa esse dado,

ou seja, esse vetorzão
de 4000 dimensões

representa que tipo
de imagem?

Pode ser um cachorro.

Esse outro vetor, que representa
uma outra imagem, significa o quê?

É um gato, uma flor,
e assim vai,

até a máquina conseguir aprender
como distinguir uma imagem da outra.

Se o cerne da questão
é uma convolução,

é muito importante nós entendermos
como a convolução funciona.

Nós podemos entender
uma convolução

como uma janela deslizante que está
passando pela imagem de entrada.

A primeira convolução
é fácil de ser entendida

porque está pegando uma janela
de uma dimensão específica

e deslizando pela imagem
como um todo,

extraindo informações parciais
de cada parte dessa imagem.

Essa imagem resultante,
que não é bem uma imagem,

mas algo tridimensional,

que representa os pixels
já mastigados,

serve de entrada para uma outra
camada convolucional

que está passando uma outra
janela deslizante.

Cada janela dessa pode
ser um peso diferente

que representa a importância
daquela região da imagem

para caracterizar o seu
elemento principal,

ou seja, a principal classe
presente naquela imagem.

Vamos entender o processo
pelo próximo diagrama.

Para simplificar, imagine uma imagem
bem pequenininha, de 4 por 5,

com alguns valores 0 e 1
que indicam um pixel qualquer.

E nós temos, aqui,
uma matriz menor,

que apresenta um peso
a ser aprendido,

que representa
uma janela 2 por 2.

Então, essa janela vai
deslizar pela imagem.

Quando nós passamos
pela primeira região,

nós vamos multiplicar
os pixels dessa imagem

pelo peso dessa matriz,
que representa esse valor "3".

Quando eu faço
um passinho por lado,

essa multiplicação dessa parte
do pixel pelo peso da matriz

representa um outro valor
condensado, que é o 3,

e assim sucessivamente.

Nós vamos dando
pulinhos nessa janela,

ou para a direita ou para baixo,
em todas as dimensões.

Quando nós percorrermos
toda a imagem,

nós vamos ter uma imagem resultante
que tem essa característica.

Se nós queremos plotar
a imagem de entrada,

vamos conseguir entender
o seu significado.

A imagem de saída
dessa convolução

é algo que é difícil de ser
interpretado pelo ser humano,

mas a máquina
consegue entender

que tem uma informação
relevante para ela.

Ou seja, os pixels foram mastigados
para condensar informação importante

para caracterizar a qual classe
aquela imagem de entrada pertence.

De forma intuitiva, você
pode pensar o seguinte:

se a minha janela
for muito pequena

e/ou se minha imagem
for muito grande,

esse filtro convolucional pode gerar
uma outra matriz muito grande.

Ou seja, será que isso
pode não ser eficiente

para representar
aquele conteúdo?

Muito provavelmente,
não será tão eficiente,

portanto, outra operação tão
importante quanto a convolução

é o pooling.

O pooling representa
uma sumarização

de uma parte dessa imagem
resultante, digamos assim.

Então, essa região representada
por esse quadrado em vermelho,

pode ser sumarizada pelo pixel
mais importante que essa região,

por exemplo, o seu
maior valor, o número 3.

Quando eu pego
essa outra região aqui,

o maior valor
desse pixel é o 1,

dessa outra região,
o maior valor é o 2,

e dessa outra região,
o maior valor presente é 1.

Portanto, aquela imagem
que entrou de 3 por 4

ficou reduzida em uma imagem,
ou melhor, uma matriz de 2 por 2.

Esse é apenas um dos tipos
de pooling que existem,

que é o max pooling.

Nós podemos trabalhar também
com o average pooling, ou seja,

todos aqueles pixels
daquela região,

nós fazemos a média deles
e levamos essa média adiante.

Agora que a primeira convolução
e o pulo foi aplicado,

essa matriz resultante serve de entrada
para a próxima operação de convolução

e depois um pulo e depois outro.

Convolução e depois um pulo.

Ou então outros arranjos, como diversas
convolução sucessivas.

Terminamos em uma operação de público.

Ou seja, tem uma regra para construir
essa arquitetura própria de CNN

Sim não a regra
para otimizar conversões e pulling,

mas o encadeamento entre

elas pode ser uma definição que você
vai montar na sua própria criatura.

no entanto, existem outras configurações
que podem ser feitas

para tornar esse aprendizado mais robusto,
ou se ele tentar aprender

mais nuances dessas imagens,
como por exemplo o pede e também o string.

O pede está justamente

relacionado a evitar a perda de informação
que está na borda da imagem com você.

Essa imagem original está aqui
nessa região em azul.

É naturalmente visível
que quanto mais a gente está deslizando

pela imagem,

a informação do centro tende a ser
mais valorizada para essa ação de filtros,

sendo que a informação que está na borda
tende a ser ignorada.

Quando nós fazemos ou pede, estamos
colocando como se fossem pixels falsos

em volta da imagem para simular uma imagem
um pouco maior.

Assim, a borda que é perdida
vai ser uma borda

que de fato seria irrelevante.

Outra estratégia interessante

é o sprite, que diz justamente
o tamanho do passo da janela deslizante.

Pela imagem podemos pensar menor ou maior.

E essas são apenas duas configurações
possíveis na montagem sua arquitetura.

Fora isso,

você pode pensar quantas convulsões,
quantos pulinhos, qual, além deles também

e outros até que ajudam a deixar a rede
mais especializada, mais rápida

ou até mais específica a um tipo de dado
que você queira construir.

Com isso, nós podemos ter outros tipos

de redes neurais profundas baseadas em CNN

a partir de uma rede tradicional,
digamos assim.

Nós podemos ter imagens
de outras características principais,

como por exemplo,
as que estão na imagem a seguir.

Partindo de uma rede tradicional,
digamos assim, podemos pensar

numa rede mais ampla,
que possui uma janela de entrada maior,

uma rede mais profunda,
que possui mais camadas convencionais

e ou de pool e uma rede de maior resolução
que está preparada para trabalhar

com imagens de maior resolução de fato,
ou seja, imagens maiores.

Dadas estas e outras configurações,
não é de se admirar que existem diversas

arquiteturas neurais profundas
para se trabalhar com scene.

Ou seja, diversas propostas de regionais
baseadas em CNN

foram surgindo ao longo do tempo, cada uma
com suas caraterísticas peculiares.

Por exemplo.

Se o tamanho da imagem representa
a quantidade de parâmetros

a ser aprendido no treinamento,
temos redes muito grandes,

muito profundas.

Eles não tão profundas
assim, redes que possuem um desempenho

muito bom na imagem net
e outras que exigem

uma quantidade muito grande de operações
serem feitas por segundo.

Agora, qual dessa criatura melhor
se adequa ao seu problema?

Depende de uma série de questões,
como por exemplo

qual é o ambiente funcional
onde você vai treinar?

E os aspones?

Qual é o conjunto de dados que você vai
utilizar, se algo mais específico

ou geral, ou até mesmo o tamanho de dados
que você tem para treinar essas redes.

Portanto,
a melhor saída é sempre a experimentação