Skip to content
Voltar aos resultados

Classificação de Imagens por CNN

Proposto por
He, K. et al. (ResNet); Tan, M. & Le, Q.V. (EfficientNet)
Ano
2016
Tipo
Deep convolutional neural network (supervised)

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A classificação de imagens por CNN utiliza arquiteturas convolucionais profundas, como ResNet (He et al., 2016), VGG e EfficientNet (Tan & Le, 2019), para classificar imagens em categorias.

Camadas convolucionais empilhadas aprendem uma hierarquia de características visuais diretamente a partir de pixels, e conexões residuais (skip connections) evitam o problema do desaparecimento do gradiente em redes muito profundas.

A intuição por trás do método

Em vez de projetar características manualmente, uma rede convolucional desliza pequenos filtros aprendíveis sobre a imagem, detectando bordas e texturas em camadas iniciais e combinando-as em formas e objetos em camadas mais profundas. À medida que as redes se tornam muito profundas, o sinal de treinamento pode enfraquecer; conexões residuais adicionam um atalho que permite que cada bloco aprenda apenas a mudança relativa à sua entrada, de modo que os gradientes fluam de forma limpa e a profundidade continue ajudando em vez de prejudicar.

História

Redes convolucionais profundas remodelaram a visão computacional na década de 2010. He et al. (2016) introduziram ResNet com conexões residuais na CVPR, tornando prático treinar redes com centenas de camadas de profundidade e superando a degradação observada em pilhas muito profundas e simples. VGG popularizou pilhas uniformes de pequenas convoluções, e Tan & Le (2019) propuseram EfficientNet, que escala conjuntamente a profundidade, largura e resolução de entrada para atingir alta acurácia com muito menos parâmetros. Esses backbones, frequentemente usados pré-treinados, permanecem referências padrão para classificação de imagens.

Quando usar

Utilize para classificar ou prever categorias a partir de dados de imagem quando você tiver um conjunto de imagens rotuladas de pelo menos cerca de 500 exemplos e, idealmente, uma GPU. Não assume dados com distribuição normal, mas o aumento de dados deve ser aplicado. Abaixo de cerca de 500 imagens, uma CNN profunda tende a sofrer sobreajuste, portanto, aprendizado de transferência (transfer learning) ou um modelo mais simples é preferível; com menos de cerca de 100 imagens, os filtros não conseguem extrair características significativas e um classificador clássico como SVM é uma escolha mais segura.

Limitações e considerações

  • Faminta por dados: necessita de pelo menos aproximadamente 500 imagens e sofre grave sobreajuste em conjuntos menores.
  • Uma GPU é efetivamente necessária para tempos de treinamento práticos.
  • Um modelo de caixa-preta com interpretabilidade limitada de suas decisões.
  • Com pouquíssimas imagens (menos de cerca de 100), os filtros não conseguem aprender características significativas.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Aprende características visuais diretamente dos pixels, eliminando a necessidade de características projetadas manualmente.
  • Conexões residuais permitem que redes muito profundas sejam treinadas sem desaparecimento de gradientes.
  • Precisão de ponta em classificação de imagens em diversos domínios.
  • Backbones pré-treinados (ResNet, VGG, EfficientNet) permitem aprendizado de transferência em conjuntos de dados modestos.
  • Baixa suposição: sem requisito de normalidade nos dados de entrada.

Aplicações

  • Classificação de imagens em categorias em domínios naturais, médicos e de sensoriamento remoto.
  • Aprendizado de transferência: ajuste fino de um backbone pré-treinado para uma nova tarefa de imagem.
  • Controle de qualidade e inspeção visual em ambientes de engenharia.
  • Tarefas de predição onde a entrada são dados de imagem em vez de características tabulares.

Como funciona

Como funciona

1

Cada camada convolucional aplica um conjunto de pequenos filtros aprendíveis sobre a imagem, produzindo mapas de características que destacam padrões locais, como bordas, cantos e texturas. O empilhamento de muitas dessas camadas constrói uma hierarquia cada vez mais abstrata de características visuais, aprendidas diretamente dos pixels em vez de projetadas manualmente.

2

Pilhas muito profundas sofrem com o desaparecimento de gradientes. Conexões residuais (skip connections), centrais para ResNet, adicionam a entrada de um bloco de volta à sua saída, de modo que cada bloco precise aprender apenas a mudança residual. Esse atalho mantém os gradientes fluindo através de dezenas ou centenas de camadas, o que permite que essas redes sejam treinadas com grande profundidade. Famílias como VGG favorecem convoluções empilhadas uniformes, enquanto EfficientNet escala profundidade, largura e resolução em conjunto para eficiência.

Fórmula
y = \mathcal{F}(x, \{W_i\}) + x
3

Os mapas de características finais são agrupados (pooled) e passados para uma cabeça de classificação que produz uma probabilidade para cada categoria. Na prática, um modelo pré-treinado em um grande conjunto de dados é ajustado (fine-tuned) substituindo-se essa cabeça pelas classes alvo, e a aumento de dados (data augmentation) é aplicado para expandir o conjunto de treinamento efetivo e reduzir o sobreajuste (overfitting).

Erros comuns

  • Treinar uma CNN profunda do zero em um pequeno conjunto de dados em vez de usar aprendizado de transferência.
  • Ignorar o aumento de dados e o sobreajuste às imagens de treinamento.
  • Ignorar o desbalanceamento de classes entre as categorias de imagens.
  • Relatar apenas a acurácia sem métricas por classe em dados desbalanceados.
  • Tentar aprendizado profundo em poucas dezenas de imagens onde um modelo clássico se sairia melhor.

Perguntas frequentes

Quantas imagens eu preciso?

Aproximadamente 500 imagens rotuladas é um mínimo prático, e mais é melhor. Abaixo de cerca de 500, uma CNN profunda sofre sobreajuste, portanto, aprendizado de transferência de um backbone pré-treinado ou um modelo mais simples é preferível; abaixo de cerca de 100 imagens, os filtros não conseguem aprender características significativas.

Preciso de uma GPU?

Uma GPU é fortemente recomendada. O treinamento de redes convolucionais profundas é computacionalmente pesado, e apenas com CPU os tempos de treinamento se tornam impraticáveis para conjuntos de dados realistas.

Qual arquitetura devo escolher — ResNet, VGG ou EfficientNet?

As conexões residuais da ResNet tornam redes muito profundas treináveis e é um padrão robusto. VGG usa pilhas uniformes simples de convoluções, enquanto EfficientNet escala profundidade, largura e resolução em conjunto para atingir alta acurácia com menos parâmetros. Começar com uma versão pré-treinada de qualquer uma delas é geralmente o caminho mais confiável.

Por que o aumento de dados é importante?

O aumento de dados — flips, cortes, rotações e transformações semelhantes — expande o conjunto de treinamento efetivo e expõe a rede a mais variações, o que reduz o sobreajuste. Com dados de imagem limitados, é uma das etapas mais importantes para a generalização.

Métodos relacionados

Fontes

  1. He, K., Zhang, X., Ren, S. & Sun, J. (2016). Deep Residual Learning for Image Recognition. CVPR.

    Abrir referência DOI
    Copiado.
  2. Tan, M. & Le, Q.V. (2019). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. ICML, PMLR 97, 6105–6114. arXiv:1905.11946.

    Abrir referência da publicação
    Copiado.