Conteúdo do Curso

Fundamentos de Visão Computacional

1. Introdução à Visão Computacional

O Que É Visão Computacional?Fundamentos do Processamento de Imagens Álgebra Linear para Manipulação de Imagens

2. Processamento de Imagens com OpenCV

Transformações Básicas Transformada de Fourier Filtros Passa-Baixa e Passa-Alta Redução de Ruído e Suavização Equalização de Histograma Técnicas de Super-Resolução Detecção de Bordas Detecção de Cantos e Blobs

3. Redes Neurais Convolucionais

Introdução às Redes Neurais Convolucionais Camadas de Convolução Camadas de Pooling Achatamento Funções de Ativação Visão Geral dos Principais Modelos de CNN Desafio: Construindo uma CNN

4. Detecção de Objetos

Localização de Objetos Detecção de Objetos Previsões de Caixas Delimitadoras Interseção Sobre União (IoU) e Métricas de Avaliação Supressão Não Máxima (NMS)Caixas Âncora Visão Geral do Modelo YOLO Desafio: Detecção de Objetos com Modelo Personalizado e YOLO

5. Visão Geral de Tópicos Avançados

Aprendizado por Transferência em Visão Computacional Visão Geral do Reconhecimento Facial Visão Geral da Geração de Imagens

Funções de Ativação

Por que as Funções de Ativação são Cruciais em CNNs

Funções de ativação introduzem não linearidade nas CNNs, permitindo que aprendam padrões complexos além do que um modelo linear simples pode alcançar. Sem funções de ativação, as CNNs teriam dificuldade em detectar relações intrincadas nos dados, limitando sua eficácia em reconhecimento e classificação de imagens. A escolha adequada da função de ativação influencia a velocidade de treinamento, estabilidade e desempenho geral.

Funções de Ativação Comuns

ReLU (unidade linear retificada): a função de ativação mais utilizada em CNNs. Permite apenas valores positivos, definindo todas as entradas negativas como zero, o que a torna computacionalmente eficiente e previne o desaparecimento do gradiente. No entanto, alguns neurônios podem se tornar inativos devido ao problema conhecido como "dying ReLU";

f (x) = max (0, x)

Leaky ReLU: uma variação do ReLU que permite pequenos valores negativos em vez de defini-los como zero, evitando neurônios inativos e melhorando o fluxo do gradiente;

f (x) = {\begin{cases} x & , x > 0 \\ α x & , x \leq 0 \end{cases}

Sigmoid: comprime os valores de entrada em um intervalo entre 0 e 1, sendo útil para classificação binária. No entanto, sofre com o problema de gradientes que desaparecem em redes profundas;

f (x) = \frac{1}{1 + e^{- x}}

Tanh: semelhante à Sigmoid, mas produz valores entre -1 e 1, centralizando as ativações em torno de zero;

f (x) = \frac{e^{x} - e^{- x}}{e^{x} + e^{- x}}

Softmax: normalmente utilizada na camada final para classificação multiclasse, a Softmax converte as saídas brutas da rede em probabilidades, garantindo que somem um, o que facilita a interpretação.

f (x_{i}) = \frac{e^{x_{i}}}{\sum_{j}^{} e^{x_{j}}}

Escolhendo a Função de Ativação Adequada

ReLU é a escolha padrão para camadas ocultas devido à sua eficiência e desempenho robusto, enquanto Leaky ReLU é mais indicada quando ocorre inatividade de neurônios. Sigmoid e Tanh geralmente são evitadas em CNNs profundas, mas ainda podem ser úteis em aplicações específicas. Softmax permanece essencial para tarefas de classificação multiclasse, garantindo previsões claras baseadas em probabilidades.

Selecionar a função de ativação correta é fundamental para otimizar o desempenho de CNNs, equilibrando eficiência e prevenindo problemas como gradientes desaparecendo ou explodindo. Cada função contribui de forma única para o processamento e aprendizado de dados visuais pela rede.

1. Por que a ReLU é preferida em relação à Sigmoid em CNNs profundas?

2. Qual função de ativação é comumente usada na camada final de uma CNN para classificação multiclasse?

3. Qual é a principal vantagem do Leaky ReLU em relação ao ReLU padrão?

Por que a ReLU é preferida em relação à Sigmoid em CNNs profundas?

Select the correct answer

A ReLU previne o overfitting melhor do que a Sigmoid.

A ReLU pode lidar com classificação multiclasse.

A ReLU evita gradientes desaparecendo e acelera o treinamento.

A Sigmoid é computacionalmente mais eficiente.

Qual função de ativação é comumente usada na camada final de uma CNN para classificação multiclasse?

Select the correct answer

ReLU

Tanh

Leaky ReLU

Softmax

Qual é a principal vantagem do Leaky ReLU em relação ao ReLU padrão?

Select the correct answer

Elimina a necessidade de uma camada Softmax.

Previne neurônios inativos permitindo pequenas saídas negativas.

Normaliza valores entre -1 e 1.

Garante que todos os neurônios tenham saídas positivas.

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 3. Capítulo 5

Pergunte à IA

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Conteúdo do Curso

Fundamentos de Visão Computacional

1. Introdução à Visão Computacional

O Que É Visão Computacional?Fundamentos do Processamento de Imagens Álgebra Linear para Manipulação de Imagens

2. Processamento de Imagens com OpenCV

3. Redes Neurais Convolucionais

Introdução às Redes Neurais Convolucionais Camadas de Convolução Camadas de Pooling Achatamento Funções de Ativação Visão Geral dos Principais Modelos de CNN Desafio: Construindo uma CNN

4. Detecção de Objetos

5. Visão Geral de Tópicos Avançados

Aprendizado por Transferência em Visão Computacional Visão Geral do Reconhecimento Facial Visão Geral da Geração de Imagens

Funções de Ativação

Por que as Funções de Ativação são Cruciais em CNNs

Funções de Ativação Comuns

ReLU (unidade linear retificada): a função de ativação mais utilizada em CNNs. Permite apenas valores positivos, definindo todas as entradas negativas como zero, o que a torna computacionalmente eficiente e previne o desaparecimento do gradiente. No entanto, alguns neurônios podem se tornar inativos devido ao problema conhecido como "dying ReLU";

f (x) = max (0, x)

Leaky ReLU: uma variação do ReLU que permite pequenos valores negativos em vez de defini-los como zero, evitando neurônios inativos e melhorando o fluxo do gradiente;

f (x) = {\begin{cases} x & , x > 0 \\ α x & , x \leq 0 \end{cases}

Sigmoid: comprime os valores de entrada em um intervalo entre 0 e 1, sendo útil para classificação binária. No entanto, sofre com o problema de gradientes que desaparecem em redes profundas;

f (x) = \frac{1}{1 + e^{- x}}

Tanh: semelhante à Sigmoid, mas produz valores entre -1 e 1, centralizando as ativações em torno de zero;

f (x) = \frac{e^{x} - e^{- x}}{e^{x} + e^{- x}}

Softmax: normalmente utilizada na camada final para classificação multiclasse, a Softmax converte as saídas brutas da rede em probabilidades, garantindo que somem um, o que facilita a interpretação.

f (x_{i}) = \frac{e^{x_{i}}}{\sum_{j}^{} e^{x_{j}}}

Escolhendo a Função de Ativação Adequada

1. Por que a ReLU é preferida em relação à Sigmoid em CNNs profundas?

2. Qual função de ativação é comumente usada na camada final de uma CNN para classificação multiclasse?

3. Qual é a principal vantagem do Leaky ReLU em relação ao ReLU padrão?

Por que a ReLU é preferida em relação à Sigmoid em CNNs profundas?

Select the correct answer

A ReLU previne o overfitting melhor do que a Sigmoid.

A ReLU pode lidar com classificação multiclasse.

A ReLU evita gradientes desaparecendo e acelera o treinamento.

A Sigmoid é computacionalmente mais eficiente.

Qual função de ativação é comumente usada na camada final de uma CNN para classificação multiclasse?

Select the correct answer

ReLU

Tanh

Leaky ReLU

Softmax

Qual é a principal vantagem do Leaky ReLU em relação ao ReLU padrão?

Select the correct answer

Elimina a necessidade de uma camada Softmax.

Previne neurônios inativos permitindo pequenas saídas negativas.

Normaliza valores entre -1 e 1.

Garante que todos os neurônios tenham saídas positivas.

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 3. Capítulo 5