O que é uma rede neural convolucional?

As CNNs processam imagens de entrada passando-as por várias camadas. As primeiras camadas identificam recursos simples, como bordas e linhas, enquanto as camadas mais profundas reconhecem padrões, formas e, por fim, objetos inteiros mais complexos. Esse método de extração de recursos de forma hierárquica é o que torna as CNNs tão eficazes para reconhecimento de imagens e outras tarefas de visão computacional.

Pense em uma CNN como uma equipe de especialistas que analisam uma fotografia para identificar um objeto. Cada camada tem um trabalho específico em uma linha de montagem de reconhecimento.

1. Camada convolucional: os verificadores de atributos

Este é o primeiro grupo de especialistas. Cada um recebe um recurso único e simples para procurar, como uma borda reta, uma curva ou uma cor específica. Eles deslizam uma pequena lupa (o "filtro") sobre toda a imagem e fazem uma anotação sempre que encontram o recurso atribuído. Isso cria um conjunto de "mapas de atributos", que são essencialmente mapas de onde os atributos básicos estão localizados.

2. Camada de ativação (ReLU): o filtro de significância

Após a verificação inicial, um administrador (a função ReLU) analisa os mapas de atributos. O trabalho dele é simples: manter os sinais fortes e descartar os fracos. Ele introduz a não linearidade, garantindo que apenas os atributos mais importantes e claramente identificados sejam passados para análise posterior. Isso evita que ruídos atrapalhem o processo.

3. Camada de pooling: os resumidores

A camada de pooling age como um gerente regional. Em vez de analisar cada detalhe, a camada de pooling resume as descobertas de pequenos patches do mapa de recursos. Por exemplo, uma camada de "max pooling" vai analisar uma área 2x2 de um mapa de atributos e informar apenas o sinal mais forte. Isso reduz o tamanho geral dos dados, tornando a rede mais eficiente e ajudando-a a reconhecer um objeto, não importa onde ele apareça no frame (um conceito chamado "invariância translacional").

4. Camada completamente conectada: o detetive principal

Depois de várias rodadas de verificação e resumo, os relatórios finais de recursos são enviados ao detetive principal. Essa camada analisa a combinação de alto nível dos atributos ("tem bigodes", "tem orelhas pontudas", "tem textura de pelo") e toma a decisão final. Ela conecta todas as descobertas resumidas para chegar a uma conclusão, como "Com base em todas as evidências, o objeto nesta imagem é um gato". O resultado é então passado para uma camada de saída final (como softmax) que fornece uma probabilidade para cada classificação possível.

Embora as redes neurais convolucionais e tradicionais sejam projetadas para processar dados e fazer previsões, elas diferem significativamente em sua arquitetura, aplicação e outros recursos importantes.

As CNNs transformaram a visão computacional, permitindo que as máquinas "vejam" e entendam imagens com precisão. A capacidade de aprender representações de dados visuais hierárquicos levou a grandes avanços em várias tarefas de visão computacional, incluindo:

A classificação de imagens, uma tarefa essencial da visão computacional, envolve rotular uma imagem inteira com base no conteúdo dela. As CNNs são excelentes nisso, alcançando os melhores resultados em conjuntos de dados como o ImageNet. A capacidade de aprender recursos complexos com dados brutos de pixels os torna muito eficazes no reconhecimento de objetos, cenas e até mesmo emoções em imagens.

A detecção de objetos vai além da classificação, identificando objetos em uma imagem e indicando suas localizações. As CNNs são essenciais nos algoritmos de detecção de objetos, permitindo que aplicativos como carros autônomos percebam o ambiente, robôs naveguem em ambientes complexos e sistemas de segurança detectem ameaças.

As aplicações das CNNs vão muito além de tarefas relacionadas a imagens. A capacidade de aprender hierarquias espaciais de recursos os torna valiosos em várias áreas, incluindo:

• Processamento de linguagem natural: as CNNs podem analisar textos tratando frases como "imagens" unidimensionais em que cada palavra ou caractere é um atributo. Isso permite que eles identifiquem padrões e relações nos dados de texto, o que os torna úteis para tarefas como análise de sentimento (classificação de texto como positivo, negativo ou neutro) e tradução de idiomas (mapeamento de frases de um idioma para outro).
• Análise de imagens médicas: na área da saúde, as CNNs podem ser treinadas com grandes conjuntos de dados de imagens médicas (raios X, ressonâncias magnéticas, tomografias computadorizadas) para detectar padrões e anomalias sutis indicativos de doenças. Isso pode ajudar os radiologistas em tarefas como detectar tumores em mamografias, identificar fraturas em radiografias ou segmentar órgãos em tomografias computadorizadas, melhorando a acurácia e a eficiência do diagnóstico e auxiliando no planejamento de tratamento personalizado.
• Descoberta de medicamentos: as CNNs podem acelerar a descoberta de medicamentos ao analisar estruturas moleculares. Ao aprender as relações entre a estrutura de uma molécula e suas propriedades, as CNNs podem prever a eficácia, a toxicidade e outras características de possíveis candidatos a medicamentos. Essa triagem "in silico" de vastas bibliotecas químicas pode reduzir o tempo e o custo associados aos métodos tradicionais de descoberta de medicamentos.
• Modelagem financeira: com a capacidade de analisar dados sequenciais, as CNNs também podem ser adequadas para usos financeiros. Ao tratar dados financeiros de séries temporais (preços de ações, taxas de câmbio, indicadores econômicos) como "imagens" unidimensionais, as CNNs podem identificar tendências, padrões e anomalias que os métodos estatísticos tradicionais podem perder. Isso pode ajudar as instituições financeiras a tomar decisões de investimento mais embasadas, prever a volatilidade do mercado e gerenciar o risco com mais eficiência.

O Google Cloud oferece um ecossistema completo para aplicar CNNs, seja para uma solução pronta ou uma plataforma avançada para criar sua própria.

Para recursos de visão pré-treinados: se você precisar adicionar recursos de visão avançados ao seu app sem criar um modelo do zero, serviços como o Vision AI oferecem acesso a modelos baseados em CNN por meio de uma API simples para tarefas como detecção de objetos e reconhecimento de texto. Da mesma forma, a Document AI usa CNNs para entender e extrair dados de documentos complexos.

Para criar, treinar e implantar modelos personalizados: quando você precisa treinar uma CNN nos seus próprios dados, a Vertex AI oferece uma plataforma unificada. Ele gerencia todo o ciclo de vida do ML, desde a preparação e o treinamento dos dados até a implantação e o monitoramento dos seus modelos de CNN personalizados em escala.

Para acelerar o treinamento de alto desempenho: treinar CNNs grandes e de última geração é computacionalmente intensivo. As Cloud TPUs são aceleradores de hardware personalizados do Google, criados especificamente para acelerar o treinamento de modelos de aprendizado profundo, permitindo que você inove com mais rapidez.