Visão Computacional

Objetivos de aprendizagem #

• O1. Explicar convolução como imposição de invariância translacional.
• O2. Justificar por que compartilhar pesos reduz a necessidade de dados.
• O3. Aplicar transferência de aprendizado e decidir o que congelar.
• O4. Projetar aumentação de dados coerente com o domínio do problema.

O problema: o mesmo gato, dez mil vezes #

Uma foto de 224×224 pixels coloridos são 150 528 números. Ligue isso a uma camada densa de 128 unidades, como no capítulo 09, e você acaba de escrever 19 milhões de pesos — para uma única camada, a primeira.

O tamanho é o problema menor. O problema maior é o que essa camada acredita: que cada pixel é uma variável independente, sem vizinho. Embaralhe as 150 528 posições com uma permutação fixa e treine de novo — a rede densa aprende exatamente igual. Para ela, a imagem nunca foi uma imagem; foi uma lista.

A consequência aparece na conta de dados. Um gato no canto superior esquerdo e o mesmo gato no canto inferior direito ativam conjuntos de pesos disjuntos. Nada do que a rede aprendeu numa posição serve na outra. Ou você mostra o gato em todas as posições possíveis, ou ela aprende um detector de gato-no-canto-esquerdo. É o pior dos dois mundos: parâmetros demais e generalização de menos.

De onde isto veio #

O aperto. Fim dos anos 1950. David Hubel e Torsten Wiesel enfiam um eletrodo no córtex visual de um gato anestesiado, projetam pontos de luz numa tela e esperam o neurônio disparar. Ele não dispara. Passam meses assim. Conta-se que a célula finalmente respondeu quando eles trocavam o slide e a borda da lâmina de vidro cruzou a tela — o estímulo acidental funcionou onde o estímulo planejado falhara.

O que se fazia antes. Procurava-se um detector de ponto. A suposição era natural e estava errada: se a retina recebe a imagem como um mosaico de pontos, o córtex deveria compor a visão a partir de pontos. Estava-se procurando o pixel dentro do cérebro.

A virada. O córtex não detecta pontos: detecta bordas com orientação. Uma célula responde a uma barra inclinada a 30°, e cala diante da mesma barra a 90°. E há hierarquia — as "células simples", presas a uma posição, alimentam "células complexas", que respondem à mesma orientação em qualquer lugar do campo receptivo. Estrutura mais primitiva feita de partes, tolerância à posição construída em cima.

A ideia reaproveitável. A primitiva certa não é a mais elementar. O ponto é mais simples que a borda — e é a primitiva errada. Achar a unidade mínima da representação não é o mesmo trabalho que achar a unidade mínima do sinal, e confundir as duas é o erro de projeto mais caro que existe. É o capítulo 03 inteiro, dito por um eletrodo.

O nome. "Célula simples" e "célula complexa" são deles. Em 1979/80, Kunihiko Fukushima empilha essas duas em cascata no neocognitron e chama as camadas de S-cells e C-cells — os nomes atravessaram da biologia para a engenharia sem tradução.

A linha. Hubel & Wiesel (1959) → neocognitron de Fukushima (1979/80), já com S/C-cells alternadas e treinado sem retropropagação (ver capítulo 18) → LeCun e colegas (1989) treinam uma rede convolucional em CEPs manuscritos do Serviço Postal dos EUA: 7 291 imagens de 16×16, cerca de 9 760 parâmetros, três dias numa SUN-4/260 → LeNet-5 (1998) → AlexNet (2012) → ResNet (2016).

O intervalo, e é um dos maiores do livro. De Hubel & Wiesel a AlexNet vão 53 anos. Compare com os 59 do capítulo 03, os ~80 do capítulo 13, os 43 do capítulo 24. Agora a contra-prova, que vem no capítulo 12: do Transformer (2017) a BERT e GPT (2018) passou-se cerca de um ano. A diferença não é a qualidade das ideias. É que em 2017 já existia infraestrutura de reprodução compartilhada — arXiv, código aberto, GPU comprável, benchmark comum — além da pergunta precisa. Meio século da história desta área foi, em boa parte, o tempo de construir isso.

Procedência das afirmações desta seção:

Fundamentos: o filtro que desliza e o peso que se repete #

Um filtro (ou kernel) é uma matrizinha de pesos — 3×3, 5×5 — que percorre a imagem inteira. Em cada posição, multiplica-se o filtro pelo pedaço de imagem sob ele e soma-se: um número. Deslize por todas as posições e o resultado é outra imagem, o mapa de ativação, alto onde o padrão do filtro apareceu e baixo onde não apareceu.

Três consequências saem daí, e as três importam.

Conectividade local. Cada saída olha só uma janelinha — o campo receptivo. Isso codifica no modelo um fato sobre imagens que a rede densa ignora: pixels vizinhos se relacionam, pixels distantes quase não.

Compartilhamento de pesos. É o mesmo filtro em todas as posições. Um detector de borda vertical aprendido no canto esquerdo já vale no canto direito, de graça. Aqui está a resposta ao problema de dados: cada exemplo de treino atualiza os mesmos poucos pesos milhares de vezes, uma por posição. Menos parâmetros para estimar, mais evidência por parâmetro.

Invariância a translação. Deslocar o objeto desloca o mapa de ativação — não muda o que foi detectado. A rede não precisa reaprender o gato em cada canto porque, para ela, é o mesmo gato deslocado.

Repare no que isso é: uma restrição imposta de fora. A camada convolucional é uma camada densa proibida de fazer quase tudo o que poderia — pesos amarrados uns aos outros, conexões distantes zeradas. A restrição não é o preço do desempenho; é a fonte dele. Uma rede com menos liberdade e a hipótese certa embutida vence uma rede livre que precisa descobrir a hipótese a partir de dados que ninguém tem.

Pooling e a hierarquia de features #

O pooling reduz a resolução do mapa de ativação — tipicamente pegando o máximo de cada janela 2×2. Perde-se posição exata e ganha-se duas coisas: tolerância a pequenos deslocamentos e um campo receptivo que cresce nas camadas seguintes, porque cada unidade passa a resumir uma região maior do original.

Empilhe isso e aparece a hierarquia de features, que é a estrutura de Hubel e Wiesel repetida por mais andares do que a biologia mostrou: as primeiras camadas aprendem bordas e manchas de cor; as seguintes, texturas e cantos; depois, partes — um olho, uma roda; e no topo, objetos. Ninguém programou esses níveis. Eles emergem do treino, e são notavelmente parecidos entre redes treinadas em tarefas diferentes — fato que a seção de transferência vai cobrar.

O diagrama que é um limite de memória desenhado #

Em 2012, a AlexNet ganhou o ImageNet com 15,3% de erro top-5 contra 26,2% do segundo colocado. Não foi uma melhora incremental: foi uma faixa inteira de distância, e é a data que a maioria dos cursos trata como o começo da era moderna da visão.

Três decisões carregaram o resultado, e todas as três são de engenharia, não de teoria. A ativação ReLU (unidade linear retificada) no lugar da tangente hiperbólica — o artigo relata atingir 25% de erro no CIFAR-10 seis vezes mais rápido. O dropout contra sobreajuste. E o treino em GPU (unidade de processamento gráfico), que levou "between five and six days to train on two GTX 580 3GB GPUs".

Agora o detalhe que fecha o capítulo. Todo curso reproduz o diagrama da AlexNet em duas colunas paralelas e o discute como decisão de arquitetura. O artigo diz o que ele é, em duas frases: "A single GTX 580 GPU has only 3GB of memory, which limits the maximum size of the networks that can be trained on it. (…) Therefore we spread the net across two GPUs."

📖 O diagrama mais reproduzido da visão computacional é um limite de 3 gigabytes desenhado. É o caso mais literal deste livro de restrição material gerando forma nova — ao lado de Playfair inventando o gráfico de barras porque não tinha os dados de série temporal (capítulo 22) e do cubo OLAP pré-computando agregados porque a consulta era lenta demais (capítulo 23). A forma sobrevive à restrição que a gerou, e a geração seguinte a estuda como se fosse princípio.

Quatro anos depois, a ResNet ataca outro problema — e a formulação dele é mais instrutiva que a solução. Empilhando mais camadas, a acurácia de treino piorava. Treino, não teste: isso descarta sobreajuste como explicação, porque um modelo que sobreajusta vai bem no treino por definição. O nome disso é degradação, e a resposta foram as conexões residuais: 152 camadas, 3,57% de erro. É o capítulo 26 aparecendo dentro deste.

Transferência de aprendizado: o que quase todo projeto real faz #

Aqui está a parte prática, e ela contraria a imagem que se faz da área. A maioria esmagadora dos projetos de visão em empresa não treina rede nenhuma do zero. Pega uma rede já treinada em milhões de imagens, joga fora a última camada, põe uma cabeça nova com as suas classes e treina só ela.

Funciona por causa da hierarquia. Bordas, texturas e cantos não são específicos do ImageNet — são específicos de imagens. Uma borda numa chapa de raio X é a mesma borda de uma foto de cachorro. Só as camadas do topo, que montam objetos, é que são particulares da tarefa original — e são justamente as que você substitui.

O critério de o que congelar é curto e serve na prática:

O erro típico é descongelar tudo com a taxa de aprendizado padrão: os gradientes grandes da cabeça recém-inicializada, ainda aleatória, destroem features boas que levaram semanas de GPU para existir. Treine a cabeça primeiro; só então libere o corpo, e devagar.

Aumentação de dados entra pelo mesmo motivo — poucos exemplos. Você gera variações artificiais que preservam o rótulo: recortes, pequenas rotações, mudanças de brilho. A regra é uma só e é sobre o seu domínio, não sobre a biblioteca: a transformação preserva o rótulo aqui? Espelhar horizontalmente uma foto de gato dá um gato. Espelhar um dígito manuscrito ou um caractere destrói o rótulo. Girar 180° uma célula ao microscópio é inofensivo; girar 180° uma radiografia de tórax produz uma imagem que não existe na clínica — e treinar com ela gasta capacidade em invariâncias falsas.

Uma nota de estado da arte: desde 2020 os Vision Transformers (ViT) disputam esse espaço, tratando a imagem como sequência de retalhos em vez de impor convolução (capítulo 11). Eles trocam a hipótese embutida por dados e escala. Para o projeto com 800 imagens, porém, a decisão prática não muda: transferir continua sendo o caminho, mude só de que modelo.

Síntese — o que levar #

• Rede densa sobre imagem falha duas vezes: parâmetros demais e estrutura espacial jogada fora. Para ela, a imagem é uma lista.
• A convolução impõe três coisas de uma vez: conectividade local, compartilhamento de pesos e invariância a translação.
• A ideia exportável: a primitiva certa não é a mais elementar. Hubel e Wiesel procuravam o ponto e o córtex respondia a bordas — achar a unidade mínima da representação, não a do sinal, é o trabalho de projeto.
• Compartilhar pesos é o que resolve a fome de dados: o número de parâmetros não depende do tamanho da imagem, e cada exemplo atualiza os mesmos pesos milhares de vezes.
• Restringir o modelo é a fonte do desempenho, não o preço dele.
• A hierarquia (bordas → texturas → partes → objetos) emerge do treino e é genérica — é ela que torna a transferência possível.
• Degradação ≠ sobreajuste. Se o erro de treino piora com a profundidade, o problema é otimização.
• O diagrama de duas colunas da AlexNet é um limite de 3 GB desenhado. Restrição material vira forma, e a forma sobrevive à restrição.
• Transfira por padrão. Congele o corpo, treine a cabeça, descongele devagar. Treinar do zero é a exceção, não a regra.
• Aumentação é modelagem do domínio, não lista de transformações: só entra o que preserva o rótulo e o que de fato varia no processo real.
• Da percepção ao problema em 53 anos; do Transformer ao BERT em cerca de um. A diferença foi infraestrutura de reprodução compartilhada.

Verificação #

1. Explique, sem fórmula, por que a convolução impõe invariância translacional em vez de aprendê-la — e diga que preço se paga por essa imposição quando a posição absoluta do objeto importa para a tarefa.
2. Uma colega afirma: "com poucos dados, uso menos parâmetros; por isso a convolução ajuda". A frase está certa pelo motivo errado. Corrija-a, explicando o que o compartilhamento de pesos faz com a evidência por parâmetro.
3. Escolha um problema de imagem do seu contexto. Diga o que você congelaria numa rede pré-treinada e por quê, e liste três aumentações que você descartaria — justificando cada descarte pelo domínio, não pela biblioteca.