{"id":1307,"date":"2020-08-12T18:55:25","date_gmt":"2020-08-12T21:55:25","guid":{"rendered":"https:\/\/foxiot.siteup.dev\/?p=1307"},"modified":"2023-05-03T18:14:04","modified_gmt":"2023-05-03T21:14:04","slug":"as-redes-neurais-convolucionais","status":"publish","type":"post","link":"https:\/\/foxiot.siteup.dev\/es\/as-redes-neurais-convolucionais\/","title":{"rendered":"As Redes Neurais Convolucionais"},"content":{"rendered":"

A intelig\u00eancia artificial tem se tornado um t\u00f3pico em ascen\u00e7\u00e3o recentemente, principalmente devido aos avan\u00e7os na \u00e1rea de Deep Learning, uma sub\u00e1rea de Machine Learning. <\/span><\/p>\n

<\/div>\n

Nesse post, vamos abordar um dos principais t\u00f3picos dentro da \u00e1rea de redes neurais, um dos pilares de Deep Learning e o qual a Fox IoT utiliza para resolver problemas de vis\u00e3o computacional: as Redes Neurais Convolucionais. Apesar de n\u00e3o notarmos, as Redes Neurais Convolucionais est\u00e3o presentes em nosso dia a dia. J\u00e1 parou para pensar como podemos pesquisar por imagens usando texto? ou como encontramos fotos na galeria do celular pesquisando pelo conte\u00fado que tem na foto? ou ainda como desbloqueamos nossos smartphones utilizando reconhecimento facial? Tudo isso s\u00f3 \u00e9 poss\u00edvel pois atualmente os algoritmos podem identificar o que h\u00e1 nas imagens, o que at\u00e9 alguns anos atr\u00e1s era uma tarefa nada f\u00e1cil e ainda hoje n\u00e3o \u00e9 trivial.<\/span><\/p>\n

<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n

Redes Neurais Profundas:<\/span><\/h2>\n
<\/div>\n

\u00a0<\/span><\/h2>\n
<\/div>\n

A principal revolu\u00e7\u00e3o que o Aprendizado Profundo trouxe para a Intelig\u00eancia Artificial foi a possibilidade de dar as m\u00e1quinas habilidades mais humanas como vis\u00e3o, fala e audi\u00e7\u00e3o. Tudo isso s\u00f3 \u00e9 poss\u00edvel gra\u00e7as a capacidade excepcional desses modelos de reconhecerem padr\u00f5es nos dados. Diferente de modelos de Machine Learning como Regress\u00e3o Log\u00edstica e Linear, as Redes Neurais utilizam fun\u00e7\u00f5es lineares e n\u00e3o-lineares para aprender, o que as permite aprenderem padr\u00f5es mais complexos. Ao construir um modelo de redes neurais profundas para identifica\u00e7\u00e3o de imagens, necessita-se de uma extra\u00e7\u00e3o das caracter\u00edsticas presente nela, tamb\u00e9m conhecidos como features<\/em>, que um computador pode usar para aprender. Como vimos anteriormente, a partir das caracter\u00edsticas e do grande n\u00famero de dados que \u00e9 fornecido ao modelo, os neur\u00f4nios s\u00e3o treinados de forma que os pesos s\u00e3o ajustados para obter como sa\u00edda o valor esperado. As principais aplica\u00e7\u00f5es s\u00e3o: reconhecimento e classifica\u00e7\u00e3o de imagens, processamento de linguagem natural, detec\u00e7\u00e3o de doen\u00e7as, gerenciamento de relacionamento com clientes, entre muitos outros campos.<\/span><\/p>\n

<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n
\n
\n
\n
\"\"<\/div>\n
<\/div>\n
<\/div>\n<\/div>\n<\/div>\n<\/div>\n
<\/div>\n

Figura 1 – Arquitetura de uma rede neural profunda<\/span><\/p>\n

<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n

Apesar disso, uma rede profunda necessita de muitos dados, e quando o problema entra na \u00e1rea de vis\u00e3o computacional, as features<\/em> tornam-se pixeis de uma imagem e dependendo do tamanho dessa imagem, o ac\u00famulo de dados para processamento \u00e9 muito grande. Em uma arquitetura Fully Connected, <\/em>como mostrada na Figura 1, o n\u00famero de pesos para processar uma pequena imagem RGB de 225×225 pixels, apenas na primeira camada, seria 225x225x3 = 151875. A partir disso, estudou-se uma forma de diminuir a quantidade de pixeis de uma imagem, condensando-as e utilizando filtros, o que permite reduzir a mesma imagem de 225x225x3 para 60x60x6, por exemplo. Essa redu\u00e7\u00e3o de mais de 85% no n\u00famero de par\u00e2metros \u00e9 alcan\u00e7ada atrav\u00e9s de uma opera\u00e7\u00e3o chamada de convolu\u00e7\u00e3o. Al\u00e9m de reduzir o processamento necess\u00e1rio, ela tamb\u00e9m extrai componentes importantes para o reconhecimento de padr\u00f5es, como olhos, tra\u00e7os do rosto, rodas em um carro, etc. , ou um nariz.<\/span><\/p>\n

<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n

Redes Neurais Convolucionais: <\/span><\/h2>\n
<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n

A rede neural convolucional, ou tamb\u00e9m conhecida como CNN (Convolutional Neural Network) tornou-se a queridinha da vis\u00e3o computacional devido \u00e0 extra\u00e7\u00e3o de padr\u00f5es que geralmente n\u00e3o s\u00e3o poss\u00edveis de serem identificados \u00e0 olho n\u00fa, e tamb\u00e9m pelo fato de diminuir o tamanho da figura em quest\u00e3o. Atualmente, essa topologia \u00e9 muito utilizada para classifica\u00e7\u00e3o de imagens, a qual gera a probabilidade de uma classe como sa\u00edda. Por exemplo, a probabilidade de ser um gato na figura abaixo.<\/span><\/p>\n

<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n
\n
\n
\n
\"\"<\/div>\n
<\/div>\n
<\/div>\n<\/div>\n<\/div>\n<\/div>\n
<\/div>\n

Figura 2 – Exemplo de entrada de uma CNN.<\/span><\/p>\n

<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n

Uma breve explica\u00e7\u00e3o de como funcionam as imagens, \u00e9 que a representa\u00e7\u00e3o que vemos, quando digitalizada torna-se uma matriz de p\u00edxeis que possuem dimens\u00e3o (Altura x Largura x Canal), em que os 2 primeiros representam o tamanho da imagem, e o canal \u00e9 dado pelas cores, em que uma imagem colorida apresenta 3 canais (R, G, B). Al\u00e9m disso, a estrutura de uma CNN pode ser visualizada na Figura 3, a qual possui a imagem como entrada, as camadas de convolu\u00e7\u00e3o e pooling, e na parte final h\u00e1 camadas de neur\u00f4nios conectados, obtendo uma probabilidade na sa\u00edda.<\/span><\/p>\n

<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n
\n
\n
\n
\"\"<\/div>\n
<\/div>\n
<\/div>\n<\/div>\n<\/div>\n<\/div>\n
<\/div>\n

Figura 3 – Estrutura de uma CNN.<\/span><\/p>\n

<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n

Camada Convolucional:<\/span><\/h2>\n
<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n

A camada convolucional pode ser utilizada em sequ\u00eancia, respons\u00e1vel por filtrar componentes importantes de uma imagem, por exemplo, com um filtro passa-baixas, passa-alta, reconhecer bordas, padr\u00f5es, etc. Quando aplicado a convolu\u00e7\u00e3o atrav\u00e9s de um filtro, a imagem deixa de ter 3 canais, e passa a ter diversos canais, que s\u00e3o separados atrav\u00e9s desses filtros mencionados. A figura a baixo mostra exemplo de filtros aplicados nas primeiras camadas de uma CNN. Ao passo que os primeiros filtros detectam padr\u00f5es simples, como bordas ou cores simples, as \u00faltimas podem idetificar padr\u00f5es mais complexos como rostos, animais,carros ou partes de objetos.<\/span><\/p>\n

<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n
\n
\n
\n
\"\"<\/div>\n
<\/div>\n
<\/div>\n<\/div>\n<\/div>\n<\/div>\n
<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n

Quando os filtros passam pela imagem, \u00e9 criado um mapa de features<\/em>, de tamanho Altura x Largura x N filtros, por\u00e9m, o conjunto dessa imagem ainda \u00e9 muito grande e requer muito processamento computacional. Ent\u00e3o, utiliza-se camadas de pooling para diminui\u00e7\u00e3o de dimensionalidade.<\/span><\/p>\n

<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n
\n
\n
\n
\"\"<\/div>\n
<\/div>\n
<\/div>\n<\/div>\n<\/div>\n<\/div>\n
<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n

Figura 4 – GIF da representa\u00e7\u00e3o de uma convolu\u00e7\u00e3o. . (https:\/\/giphy.com\/gifs\/blog-daniel-keypoints-i4NjAwytgIRDW)<\/span><\/p>\n

<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n

Camada de Pooling: <\/em><\/span><\/h2>\n
<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n

A camada de pooling<\/em> \u00e9 respons\u00e1vel por condensar a imagem, ou seja, ela reduz a dimens\u00e3o da figura, re-amostrando a mesma e diminuindo o n\u00famero de par\u00e2metros para redu\u00e7\u00e3o do poder computacional. H\u00e1 3 diferentes tipos de pooling:<\/em><\/span><\/p>\n

<\/div>\n

– Max Pooling:<\/em> Uma matriz de tamanho geralmente 5×5 passa sequencialmente a cada certo n\u00famero de pixeis na figura, e a camada utiliza apenas o maior dentre todos da \u00e1rea, assim, o pixel que mais se sobressai \u00e9 utilizado, e o resto \u00e9 descartado.<\/span><\/p>\n

<\/div>\n

– Average Pooling:<\/em> Uma matriz de tamanho geralmente 5×5 passa sequencialmente a cada certo n\u00famero de pixeis na figura, realizando uma m\u00e9dia dentro desse espa\u00e7o, a qual \u00e9 utilizada pelo modelo.<\/span><\/p>\n

<\/div>\n

– Sum Pooling<\/em>: Uma matriz de tamanho geralmente 5×5 passa sequencialmente a cada certo n\u00famero de pixeis na figura, realizando a soma dos pixeis, a qual utiliza-se do valor somado para redu\u00e7\u00e3o da dimensionalidade.<\/span><\/p>\n

<\/div>\n
<\/div>\n
\n
\n
\n
\"\"<\/div>\n
<\/div>\n
<\/div>\n<\/div>\n<\/div>\n<\/div>\n
<\/div>\n

Figura 5 \u2013 Representa\u00e7\u00e3o de um pooling. (https:\/\/developers.google.com\/machine-learning\/practica\/image-classification\/images\/maxpool_animation.gif)<\/span><\/p>\n

<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n

Camada Conectada:<\/span><\/h2>\n
<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n

A parte final rede \u00e9 composto por uma rede convencional de neur\u00f4nios conectados. A primeira e segunda parte \u00e9 utilizada para extra\u00e7\u00e3o de features que demonstram um padr\u00e3o, e s\u00e3o utilizados como entrada na camada conectada, de forma que os pesos s\u00e3o ajustados no treinamento para classificar uma imagem, atrav\u00e9s de uma probabilidade.<\/span><\/p>\n

<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n
\n
\n
\n
\"\"<\/div>\n
<\/div>\n
<\/div>\n<\/div>\n<\/div>\n<\/div>\n
<\/div>\n

Figura 6 \u2013 Camada convencional, conectando neur\u00f4nios atrav\u00e9s de pesos.<\/span><\/p>\n

<\/div>\n
\u00a0<\/span><\/div>\n
<\/div>\n

Por fim, as CNN podem ser usadas para diversas outras aplica\u00e7\u00f5es, n\u00e3o necessariamente na \u00e1rea de Vis\u00e3o Computacional, e uma nova topologia surge para quebra os limites e seta um novo record nesse campo. Algumas inclusive superam humanos na tarefa de classifica\u00e7\u00e3o de imagens, como a ResNet em 2015. Veja algumas das redes mais famosas:<\/span><\/p>\n

<\/div>\n
    \n
  1. \n

    Le-Net (Yann Le Cun, 1998)<\/p>\n<\/li>\n

  2. \n

    Alex Net (2012)<\/p>\n<\/li>\n

  3. \n

    VGGNet (2014)<\/p>\n<\/li>\n

  4. \n

    Inception Module Google Net (2014)<\/p>\n<\/li>\n

  5. \n

    ResNet (2015)<\/p>\n<\/li>\n<\/ol>\n

    \u00a0<\/span><\/h3>\n
    <\/div>\n

    Estado da Arte: YOLO<\/span><\/p>\n

    <\/div>\n
    \u00a0<\/span><\/div>\n
    <\/div>\n

    A detec\u00e7\u00e3o de objetos \u00e9 uma \u00e1rea bastante atrativa para pesquisas na comunidade cient\u00edfica quanto no meio industrial, a qual ambos buscam solu\u00e7\u00f5es r\u00e1pidas e eficientes. Esse campo, requer bastante poder computacional, e algoritmos mais antigos, como a R-CNN e suas varia\u00e7\u00f5es, fazem a dupla tarefa em m\u00faltiplos passos que ocasionam em uma execu\u00e7\u00e3o lenta e de dif\u00edcil optimiza\u00e7\u00e3o, visto que cada componente \u00e9 treinada separadamente. A partir disso, em 2015, Joseph Redmon desenvolveu uma rede neural chamada YOLO (You Only Look Once<\/em>) , capaz de detectar e classificar objetos 1000x mais r\u00e1pido que os modelos citados. Como o pr\u00f3prio nome j\u00e1 diz, essa rede \u00e9 capaz de olhar apenas uma vez para a imagem, dividindo-a em diversos ret\u00e2ngulos e inferindo onde cada objeto est\u00e1 atrav\u00e9s de uma probabilidade. Na sequ\u00eancia, deixamos um v\u00eddeo demonstrativo do algoritmo!<\/span><\/p>\n

    <\/div>\n
    \u00a0<\/span><\/div>\n
    <\/div>\n
    \n
    \n
    \n