Redes Neurais Convolucionais (CNN) são um modelo de aprendizagem profunda particularmente adequado para reconhecimento de imagens, análise de vídeo, processamento de linguagem natural e outros campos. O design da CNN é inspirado em sistemas de visão biológica e utiliza uma estrutura hierárquica para capturar características locais e padrões globais nos dados.

Década de 1950: Frank Rosenblatt propôs o Perceptron, um dos primeiros modelos de redes neurais.

Década de 1980: Yann LeCun e outros propuseram o LeNet-5, que foi a primeira CNN aplicada com sucesso ao reconhecimento de dígitos manuscritos.

1998: Yann LeCun e outros desenvolveram o LeNet-5 e propuseram uma versão melhorada do LeNet-5 para reconhecimento de código postal manuscrito.

2012: Alex Krizhevsky e outros propuseram AlexNet, a primeira CNN a alcançar resultados inovadores no ImageNet Large-Scale Visual Recognition Challenge (ILSVRC).

2014: A VGGNet obteve melhores resultados no ILSVRC, demonstrando as vantagens de estruturas de rede mais profundas.

2014: O Google propôs a arquitetura Inception (GoogLeNet), que melhorou a eficiência computacional da rede ao introduzir o módulo Inception.

2015: A Microsoft propôs o ResNet (Rede Residual), que resolveu o problema do gradiente evanescente no treinamento profundo de redes por meio de conexões residuais.

Até agora: a CNN continua a evoluir, com o surgimento de novas estruturas de rede, como EfficientNet e Vision Transformer, bem como maior otimização em vários campos de aplicação.

...

Camada de entrada: recebe dados brutos, como os valores de pixel de uma imagem.

Camada de convolução: use kernels de convolução para extrair recursos locais.

Camada de ativação: introduz não linearidade, como ReLU.

Camada de pooling: Reduza a dimensão dos dados, reduza a quantidade de cálculo e evite ajuste excessivo.

Camada totalmente conectada: mapeia recursos para a saída final, como rótulos de classificação.

Camada de saída: gera o resultado final da rede.

Operação de convolução: deslize o kernel de convolução nos dados de entrada para extrair recursos locais.

Compartilhamento de peso: o mesmo kernel de convolução compartilha pesos em todos os dados de entrada, reduzindo os parâmetros do modelo.

Pooling: Redução da resolução de uma área local, como pool máximo ou pool médio.

Função de ativação: introduza não linearidade, como ReLU, Sigmoid, Tanh, etc.

Kernel de convolução (Filtro): A matriz de peso usada para extrair recursos na camada de convolução.

Stride: O tamanho do passo para o kernel de convolução mover os dados de entrada.

...

LeNet-5: Modelo inicial da CNN para reconhecimento de dígitos manuscritos.

AlexNet: Apresentando a função de ativação ReLU, reduzindo o número de parâmetros e melhorando a velocidade de treinamento.

VGGNet: usa pequenos kernels de convolução e estrutura de rede mais profunda.

InceptionNet: Apresentando o módulo Inception para melhorar a eficiência computacional da rede.

ResNet: Resolva o problema do gradiente evanescente no treinamento profundo de redes por meio de conexões residuais.

SqueezeNet: Demonstra que as CNNs podem manter alto desempenho mesmo com um pequeno número de parâmetros.

...

A CNN extrai características locais da imagem por meio de operações de convolução e agrupamento multicamadas e realiza a classificação por meio de camadas totalmente conectadas. As operações de convolução podem capturar recursos de baixo nível, como bordas e texturas em imagens, enquanto redes profundas podem aprender padrões mais complexos. Por meio do compartilhamento e agrupamento de pesos, a CNN pode lidar efetivamente com grandes conjuntos de dados e reduzir o risco de overfitting.

Reconhecimento de imagem: como reconhecimento de dígitos manuscritos, reconhecimento de objetos, etc.

Segmentação de imagens: segmente a imagem em múltiplas regiões para análise de imagens médicas, etc.

Análise de vídeo: usada para reconhecimento de comportamento, vigilância por vídeo, etc.

Reconhecimento de fala: Embora a CNN seja usada principalmente para processamento de imagens, ela também pode ser usada para extração de recursos de sinais de fala.

...

Requisitos de recursos computacionais: Redes profundas requerem uma grande quantidade de recursos computacionais e espaço de armazenamento.

Requisitos de volume de dados: Para treinar um modelo de alto desempenho, é necessária uma grande quantidade de dados anotados.

Interpretabilidade: O mecanismo de funcionamento interno da CNN não é tão transparente quanto os modelos superficiais, dificultando a explicação do seu processo de tomada de decisão.

Sensível ao tamanho da entrada: as CNNs são um tanto sensíveis ao tamanho e à escala dos dados de entrada e podem exigir etapas de pré-processamento.

Extração de características locais: a CNN é boa em extrair características locais, mas pode ter dificuldade em capturar informações contextuais globais.

...