CNN: como uma rede vê uma imagem

Uma foto é uma tabela de números. Altura, largura, três canais de cor. Uma rede comum poderia achatar esses números e ligar cada um a cada neurônio da camada seguinte. A conta explode. A geometria some. O mesmo gato dois pixels à direita vira, para essa rede, um objeto novo.

A rede convolucional parte de um palpite sobre imagens: o que importa costuma ser local, e o mesmo padrão pode aparecer em qualquer lugar do quadro. Um filtro pequeno procura esse padrão. A camada inteira é o filtro escorregando. Ver, aqui, é aplicar esses filtros em cascata.

Isso continua sendo uma função cujos pesos se aprende. Só muda a forma da função, para respeitar o espaço.

Por que a camada densa no pixel não serve

Uma imagem pequena, 64 por 64 com cor, já são mais de doze mil números. Uma imagem de um megapixel passa de três milhões. Uma camada densa que ligue cada entrada a alguns milhares de saídas produz bilhões de pesos. Não é só caro. É um convite a copiar o conjunto de treino.

Há um segundo problema, pior do que o tamanho. A densa trata o pixel (0, 0) e o pixel (30, 40) como coordenadas sem parentesco. Não há noção de vizinhança. Não há razão para reutilizar, no canto inferior, o detector que funcionou no canto superior. O gato deslocado exige pesos novos, como se a tradução no quadro mudasse a espécie.

Imagens têm estrutura que o achatamento joga fora: pixels próximos tendem a ser parecidos; bordas são fenômenos locais; um olho é um arranjo de bordas; um rosto é um arranjo de partes. A arquitetura pode incorporar isso. Quando incorpora, precisa de menos dados para o mesmo serviço.

flowchart LR
  A[Imagem] --> B[Filtros]
  B --> C[Bordas]
  C --> D[Partes]
  D --> E[Objetos]
  classDef ouro fill:#FBF5E4,stroke:#C9A227,color:#0B1F18,stroke-width:1.4px
  classDef verde fill:#F3FAF7,stroke:#1E7A57,color:#0B1F18,stroke-width:1.4px
  classDef fim fill:#14513B,stroke:#0F3328,color:#FBFAF6,stroke-width:1.4px
  class A ouro
  class B,C,D verde
  class E fim

Convolução é um filtro local

Imagine uma janela 3 por 3. Dentro dela, nove pesos. Você coloca a janela no canto da imagem, multiplica ponto a ponto, soma, e obtém um número. Depois desliza um passo e repete. O mapa de saída diz, em cada posição, o quanto aquele padrão local estava presente.

Se os nove pesos forem uma diferença entre a esquerda e a direita da janela, o número alto marca uma borda vertical. Não porque a rede “saiba” o que é borda. Porque aquela conta reage a um salto de intensidade. No começo da história das CNNs, esses filtros eram escritos à mão. No treino moderno, os pesos da janela também são aprendidos. O palpite que permanece é o formato: local e compartilhado.

Compartilhado quer dizer: os mesmos nove pesos servem para todas as posições. O detector de borda que vale em cima vale embaixo. Isso corta o número de parâmetros de milhões para dezenas ou centenas por filtro. E dá de graça uma invariância aproximada a translação: o padrão pode andar no quadro sem exigir uma família nova de pesos.

Cada unidade da saída olha só um pedaço da entrada — o campo receptivo. Conexão esparsa, não um fio de cada pixel para cada neurônio. Empilhando camadas, o campo receptivo cresce. A última camada “vê” regiões grandes, mas construiu essa visão a partir de vizinhanças.

Vários filtros em paralelo procuram padrões diferentes: borda nesta orientação, mancha de cor, textura. A saída deixa de ser uma imagem de um canal e vira um volume: altura, largura, profundidade de filtros.

Bordas, partes, objetos

A hierarquia não é um conto obrigatório. É o que costuma aparecer quando se inspeciona redes treinadas em fotos naturais.

Nas primeiras camadas, os filtros se parecem com detectores de orientação e cor. No meio, combinações que respondem a olho, roda, canto de janela. No fim, arranjos que correlacionam com a classe: rosto, carro, prédio. Cada camada recebe o mapa da anterior, não a foto crua. Por isso “ver” é um verbo em etapas. A rede nunca contempla o quadro inteiro de uma vez, no sentido humano. Constrói representações cada vez menos locais e cada vez mais alinhadas à tarefa.

Pooling — reduzir a resolução, guardar o máximo de uma vizinhança — reforça a tolerância a pequenos deslocamentos e corta custo. Não é magia e não é obrigatório em todas as arquiteturas modernas, mas explica muita rede clássica: o “onde exatamente” se perde um pouco para o “o que há por aqui” sobreviver.

A classificação no fim, muitas vezes, ainda é densa. Aí faz sentido: o volume já é uma descrição compacta, não três milhões de pixels crus.

O que a CNN não vê

Ela não recebe profundidade verdadeira, só pistas. Não recebe o nome do objeto, só correlação com o rótulo. Um detector de “ambulância” pode estar usando a cruz, a cor, ou o fato de a foto ter sido tirada em hospital — e você só descobre no erro.

Também não é imune a atalhos. Se no treino todo desvio de produção aparece à noite, a rede pode aprender noite em vez de defeito. O filtro local não salva um recorte enviesado. Só impede que o modelo desperdice capacidade ligando pixels distantes sem necessidade.

Imagens de outro domínio — raio X, satélite, microscopia — não herdam automaticamente os filtros de uma rede de gatos. Às vezes o início transfere. Às vezes a primeira camada já precisa de outro vocabulário visual. Transferência é hipótese de produto, não direito adquirido.

Uma conta que cabe no envelope

Filtro 5 por 5, três canais de entrada, seis filtros: da ordem de centenas de pesos, não milhões. A mesma saída, se viesse de uma densa sobre a imagem achatada, pediria milhões. Essa diferença é o argumento de engenharia. Não é detalhe de implementação.

Padding, passo, dilatação mudam o tamanho do mapa e o campo receptivo. São parafusos. O parafuso não substitui a ideia: pesos locais, reutilizados no espaço, empilhados até a representação servir à perda.

Quando a tarefa deixa de ser “que classe é esta foto” e passa a ser “onde está o objeto” ou “qual pixel é o tumor”, a mesma ideia se estende. Mapas densos, âncoras, decoders em U. O palpite espacial permanece. Muda o formato da saída.

Como olhar uma CNN daqui para frente

Não comece pelo nome da arquitetura da moda. Comece pela pergunta: o que, nesta imagem, é local e repetível? Se a resposta for “quase nada” — um problema em que a relação entre o canto e o centro é arbitrária — talvez a convolução não seja o palpite certo.

Se a resposta for “bordas, texturas, peças”, a CNN é o viés indutivo adequado. Treine, depois olhe os erros por tipo: iluminação, recorte, classe rara, fundo. A hierarquia bordas–partes–objetos é um mapa para adivinhar em que camada o erro nasceu. Não é um laudo.

Uma rede vê uma imagem como uma sucessão de filtros locais. Cada filtro é pequeno, compartilhado, aprendido. Empilhados, eles transformam pixels em descrições que uma perda consegue puxar na direção do rótulo. O restante — “a máquina enxerga” — é figura de linguagem. Útil no título. Perigosa no diagnóstico.

Visão computacional, com o projeto e os filtros no contexto de um sistema real, é o tema do volume 5 da AI One.

Leia também: Redes neurais: o que está sendo aprendido.