# III.4 — Visão Computacional > **Estado da arte capturado em 2026-08** · última revisão 2026-08-10 · [histórico](../HISTORICO.md) > > **Nível: essencial.** Corpo escrito e prática funcionando; o aprofundamento (experimento próprio, todas as fontes conferidas, cláusula de expiração) vem em ciclo próprio — ver [níveis de maturidade](../GUIA-EDITORIAL.md#niveis-de-maturidade). ## 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 III.2](iii-2-redes-neurais.md), 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 I.6](i-6-representacao.md) 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 III.1](iii-1-neuronio-artificial.md)) → 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 I.6](i-6-representacao.md), os 91 do [capítulo IV.2](iv-2-reforco.md), os 43 do [capítulo II.7](ii-7-series-temporais.md). Agora a contra-prova, que vem no [capítulo III.6](iii-6-modelos-de-fundacao.md): 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:** | Selo | Afirmação | |---|---| | ✓ᵐ | Hubel & Wiesel, *Receptive fields of single neurones in the cat's striate cortex*, **J. Physiol. 148:574–591 (1959)** — obra, autoria, ano e veículo | | ✓ᵐ | O trabalho seguinte da dupla, que é o candidato usual para a distinção: **Hubel & Wiesel**, *"Receptive fields, binocular interaction and functional architecture in the cat's visual cortex"*, *J. Physiol.* **160**(1):106–154, 1962 | | ⏳ | Que a distinção entre **células simples e complexas** e a hierarquia entre elas estejam num desses dois artigos, e em qual. **Os dois estão digitalizados como imagem de página**, sem camada de texto, então não há como buscar dentro deles; ✓ᵐ não autoriza afirmar conteúdo interno | | ✓ᵐ | Fukushima, neocognitron (1979/80): S-cells e C-cells em cascata, herdando os nomes de Hubel & Wiesel | | ✓ᵐ | LeCun et al., **Neural Computation 1:541–551 (1989)** — obra, autoria, ano e veículo | | ⏳ | Os números internos desse artigo (7 291 imagens de 16×16, ~9 760 parâmetros, três dias numa SUN-4/260) e a origem postal do dado. **Correção de 2026-08-13:** o PDF está publicamente disponível na página do autor, e o problema não é acesso, é que ele **não tem camada de texto** — é imagem digitalizada, e não dá para buscar dentro dele sem reconhecimento óptico | | ⏳ | A anedota da **borda da lâmina de vidro** como o estímulo que finalmente fez a célula disparar — atribuição corrente, não conferida em fonte primária | | ⏳ | Que a busca anterior era por um "detector de ponto", por suposição de que a visão se compõe a partir de pixels | | ✓ᵐ | Que o neocognitron **se auto-organiza**, o que exclui a retropropagação: está no próprio título do artigo — *"Neocognitron: A **self-organizing** neural network model for a mechanism of pattern recognition unaffected by shift in position"*, *Biological Cybernetics* 36(4):193–202, 1980 | | 📖 | A leitura de que "a primitiva certa não é a mais elementar" é a ideia exportável do episódio | | 📖 | A leitura do intervalo de 53 anos contra o ~1 ano do [capítulo III.6](iii-6-modelos-de-fundacao.md) como evidência de que **infraestrutura de reprodução** encurta o intervalo | | ✓ | **Tudo o que este capítulo atribui ao artigo da AlexNet** — o limite de 3 GB da GTX 580, a decisão de partir a rede em duas GPUs, os cinco a seis dias de treino, a ReLU seis vezes mais rápida que a tangente hiperbólica no CIFAR-10, e os 15,3% contra 26,2% de erro top-5 — vem do [PDF original do NIPS 2012](https://proceedings.neurips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf), **lido**. As frases entre aspas na seção seguinte são transcrições literais | ## Fundamentos: o filtro que desliza e o peso que se repete Um **filtro** (ou *kernel*) é uma matrizinha de pesos, tipicamente 3×3 ou 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. **Uma coisa que a palavra "matrizinha" esconde: o filtro atravessa a profundidade inteira.** Numa imagem colorida há três canais (vermelho, verde, azul), e um filtro 3×3 sobre ela não tem 9 pesos — tem $3 \times 3 \times 3 = 27$, um conjunto 3×3 para cada canal de entrada, somados num único número de saída. A regra geral: um filtro $k \times k$ sobre uma entrada de $c$ canais tem $k \times k \times c$ pesos. Uma camada com $f$ filtros tem $f \times k \times k \times c$ — mais um viés por filtro. É a conta do próximo exercício. 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. :::exercicio {"id":"visao-e1","tipo":"numerica","objetivo":"O2","dificuldade":"facil"} Uma imagem colorida de 224×224 tem 3 canais. Considere uma camada convolucional com **64 filtros de 3×3**, aplicada a essa entrada. Quantos **pesos** (ignorando os vieses) essa camada tem? > **volte para:** #fundamentos-o-filtro-que-desliza-e-o-peso-que-se-repete > _Gabarito, explicação e rubrica não vão neste arquivo. Quem corrige é o servidor, e a explicação completa é o que a segunda tentativa paga._ ::: :::lab {"id":"visao-l1","tipo":"anima-convolucao","titulo":"Ande 3 pixels com a imagem e veja qual dos dois sobrevive"} Duas redinhas treinadas aqui dentro, por descida de gradiente, no **mesmo** conjunto: uma camada densa sobre a imagem de 16×16 (257 pesos) e um filtro 5×5 com máximo sobre o mapa (26 pesos). A forma a detectar é uma cruz, e no treino ela aparece **sempre na mesma posição** — que é exatamente a situação descrita lá em cima, no problema deste capítulo. Assista o filtro percorrer as 144 posições e o mapa de ativação se pintar. Ao fim, as duas resolvem: a densa dá 1,000 e a convolucional dá 0,997. Empate. **Agora, antes de clicar:** a mesma cruz, andada **3 pixels** na diagonal. Nada mais muda. O que acontece com cada uma? - a convolucional: **0,996**. Praticamente nada. O pico só andou de lugar no mapa. - a densa: **0,009**. Ela não ficou pior, ela ficou **cega**. > **Repare que a densa tinha dez vezes mais pesos e perdeu.** Não perdeu por falta de capacidade: perdeu porque cada peso dela é casado com uma posição, e três pixels bastam para que nenhum dos pesos treinados esteja mais debaixo da forma. A convolucional não é mais esperta, é mais **restrita** — e a restrição é justamente a informação que a densa não tinha: a de que um padrão vale igual em qualquer lugar da imagem. > > É a mesma economia da seção acima, vista pelo outro lado. Lá ela aparece como memória: 1 728 pesos contra 9,6 milhões. Aqui aparece como **generalização**, que é a parte que a conta de memória não mostra. ::: :::exercicio {"id":"visao-e5","tipo":"multipla","objetivo":"O1","dificuldade":"facil"} O que acontece com o mapa de ativação quando o objeto se desloca alguns pixels na imagem? - [ ] Ele muda completamente, e a rede precisa reaprender o objeto naquela posição. - [ ] Ele se desloca junto, e o que foi detectado continua o mesmo. - [ ] Ele fica igual, porque o pooling apaga a informação de posição. - [ ] Ele perde intensidade proporcionalmente ao deslocamento. > **volte para:** #fundamentos-o-filtro-que-desliza-e-o-peso-que-se-repete > _Gabarito, explicação e rubrica não vão neste arquivo. Quem corrige é o servidor, e a explicação completa é o que a segunda tentativa paga._ ::: :::exercicio {"id":"visao-e6","tipo":"multipla","objetivo":"O1","dificuldade":"dificil"} O capítulo afirma que a camada convolucional é "uma camada densa proibida de fazer quase tudo o que poderia". Qual leitura essa frase sustenta? - [ ] Que a convolução é uma aproximação da densa, e perde desempenho por isso. - [ ] Que a restrição é a fonte do desempenho: menos liberdade com a hipótese certa embutida vence mais liberdade que precisaria descobri-la nos dados. - [ ] Que a densa é sempre superior quando há dados suficientes, e a convolução é um paliativo. - [ ] Que as duas são equivalentes, e a escolha é só de custo computacional. > **volte para:** #fundamentos-o-filtro-que-desliza-e-o-peso-que-se-repete > _Gabarito, explicação e rubrica não vão neste arquivo. Quem corrige é o servidor, e a explicação completa é o que a segunda tentativa paga._ ::: :::exercicio {"id":"visao-e7","tipo":"multipla","objetivo":"O2","dificuldade":"media"} De onde vem a economia de parâmetros da convolução, comparada à camada densa? - [ ] De olhar menos pixels: o filtro cobre só uma janela de cada vez. - [ ] De usar os mesmos pesos em todas as posições, o que faz o número de parâmetros não depender do tamanho da imagem. - [ ] Do pooling, que reduz a resolução e portanto o número de conexões. - [ ] De usar precisão numérica menor nos pesos do filtro. > **volte para:** #fundamentos-o-filtro-que-desliza-e-o-peso-que-se-repete > _Gabarito, explicação e rubrica não vão neste arquivo. Quem corrige é o servidor, e a explicação completa é o que a segunda tentativa paga._ ::: :::exercicio {"id":"visao-e8","tipo":"numerica","objetivo":"O2","dificuldade":"dificil"} Uma camada convolucional tem **32 filtros de 5×5** aplicados a uma entrada de **16 canais**, com **um viés por filtro**. Quantos parâmetros treináveis ela tem no total? > **volte para:** #fundamentos-o-filtro-que-desliza-e-o-peso-que-se-repete > _Gabarito, explicação e rubrica não vão neste arquivo. Quem corrige é o servidor, e a explicação completa é o que a segunda tentativa paga._ ::: ### 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, como um olho ou uma roda; e no topo, objetos inteiros. 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 I.5](i-5-visualizacao-storytelling.md)) e do cubo OLAP pré-computando agregados porque a consulta era lenta demais ([capítulo II.6](ii-6-analise-multidimensional.md)). 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 III.3](iii-3-treinar-redes-profundas.md) aparecendo dentro deste. :::exercicio {"id":"visao-e2","tipo":"multipla","objetivo":"O1","dificuldade":"media"} Uma equipe empilha camadas numa rede convolucional: 20, depois 34, depois 56 camadas. O erro **no conjunto de treino** piora a cada aumento. Qual é a leitura correta? - [ ] A rede está sobreajustando: profundidade demais para os dados disponíveis. - [ ] Não é sobreajuste — sobreajuste melhoraria o erro de treino. É um problema de otimização: a rede mais profunda não consegue nem aprender o que a rasa aprendeu. - [ ] Faltou aumentação de dados; com mais variação artificial o erro de treino cairia. - [ ] O campo receptivo ficou grande demais e a rede perdeu a estrutura local. > **volte para:** #o-diagrama-que-e-um-limite-de-memoria-desenhado > _Gabarito, explicação e rubrica não vão neste arquivo. Quem corrige é o servidor, e a explicação completa é o que a segunda tentativa paga._ ::: ## 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: | Situação | O que fazer | |---|---| | Poucos dados (centenas), domínio parecido com fotos naturais | Congele o corpo inteiro; treine só a cabeça | | Dados moderados (milhares), domínio parecido | Cabeça primeiro; depois descongele as últimas camadas com taxa de aprendizado baixa | | Domínio muito diferente (satélite, microscopia, radar) | Descongele mais fundo — as features de alto nível não servem, as de baixo ainda servem | | Muitos dados (centenas de milhares) e domínio próprio | Aí sim treinar do zero pode compensar | 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 III.5](iii-5-sequencias-linguagem.md)). 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. :::exercicio {"id":"visao-e3","tipo":"aberta","objetivo":"O3","pontos":3,"dificuldade":"dificil"} Uma indústria quer classificar peças metálicas em "com trinca" / "sem trinca" a partir de fotos da linha de produção. Há **800 imagens rotuladas** por um inspetor experiente — 640 sem trinca, 160 com. Novas fotos custam caro para rotular. A câmera é fixa, a peça sempre entra na mesma orientação. Treinar do zero ou transferir? Decida, justifique e diga o que você congelaria e que aumentações usaria. > **volte para:** #transferencia-de-aprendizado-o-que-quase-todo-projeto-real-faz > _Gabarito, explicação e rubrica não vão neste arquivo. Quem corrige é o servidor, e a explicação completa é o que a segunda tentativa paga._ ::: :::exercicio {"id":"visao-e9","tipo":"multipla","objetivo":"O3","dificuldade":"facil"} Por que a transferência de aprendizado funciona mesmo quando o domínio novo é bem diferente do ImageNet? - [ ] Porque bordas, texturas e cantos não são específicos do ImageNet, são específicos de imagens. - [ ] Porque o ImageNet contém exemplos de praticamente todos os domínios. - [ ] Porque o número de classes é o mesmo depois de trocar a cabeça. - [ ] Porque as camadas do topo são as mais genéricas da rede. > **volte para:** #transferencia-de-aprendizado-o-que-quase-todo-projeto-real-faz > _Gabarito, explicação e rubrica não vão neste arquivo. Quem corrige é o servidor, e a explicação completa é o que a segunda tentativa paga._ ::: :::exercicio {"id":"visao-e10","tipo":"multipla","objetivo":"O3","dificuldade":"media"} Uma equipe descongela a rede inteira desde o primeiro passo, com a taxa de aprendizado padrão, e o desempenho fica pior do que congelando o corpo. Por quê? - [ ] Porque descongelar aumenta o número de parâmetros e causa overfitting imediato. - [ ] Porque os gradientes grandes da cabeça recém-inicializada, ainda aleatória, destroem features boas que levaram semanas de GPU para existir. - [ ] Porque o corpo pré-treinado não aceita gradientes vindos de uma cabeça nova. - [ ] Porque a taxa padrão é sempre alta demais para qualquer transferência. > **volte para:** #transferencia-de-aprendizado-o-que-quase-todo-projeto-real-faz > _Gabarito, explicação e rubrica não vão neste arquivo. Quem corrige é o servidor, e a explicação completa é o que a segunda tentativa paga._ ::: :::exercicio {"id":"visao-e11","tipo":"multipla","objetivo":"O4","dificuldade":"facil"} Qual é a regra única que decide se uma aumentação de dados é válida? - [ ] Se a transformação está disponível na biblioteca que a equipe usa. - [ ] Se a transformação preserva o rótulo **neste domínio**. - [ ] Se ela aumenta o número de exemplos em pelo menos dez vezes. - [ ] Se ela deixa a imagem visualmente parecida com a original. > **volte para:** #transferencia-de-aprendizado-o-que-quase-todo-projeto-real-faz > _Gabarito, explicação e rubrica não vão neste arquivo. Quem corrige é o servidor, e a explicação completa é o que a segunda tentativa paga._ ::: :::exercicio {"id":"visao-e12","tipo":"multipla-multi","objetivo":"O4","dificuldade":"media"} Numa linha de produção com **câmera fixa** e peças que entram **sempre na mesma orientação**, quais aumentações fazem sentido? (marque todas que valem) - [ ] Variação de brilho e contraste, porque a iluminação da linha oscila. - [ ] Translações pequenas e rotações de poucos graus, porque a peça assenta um pouco torta. - [ ] Ruído leve, porque o sensor produz ruído. - [ ] Espelhamento horizontal, porque aumenta a variedade do conjunto. - [ ] Rotações de 90° e 180°, porque a rede fica invariante a orientação. > **volte para:** #transferencia-de-aprendizado-o-que-quase-todo-projeto-real-faz > _Gabarito, explicação e rubrica não vão neste arquivo. Quem corrige é o servidor, e a explicação completa é o que a segunda tentativa paga._ ::: ## 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**. :::exercicio {"id":"visao-e4","tipo":"aberta","objetivo":"O4","secao":"verificacao","pontos":3,"dificuldade":"dificil"} **Desafio de fechamento.** Você vai contar piscinas em **imagens de satélite** de uma cidade, para uma prefeitura. As imagens vêm de passagens em diferentes meses e horas do dia; o recorte de cada bairro é arbitrário. **Projete a aumentação de dados** deste problema: liste as transformações que entram, as que ficam de fora, e justifique cada decisão pelo **processo que gera as imagens** — não pelo que a biblioteca oferece. > **volte para:** #transferencia-de-aprendizado-o-que-quase-todo-projeto-real-faz > _Gabarito, explicação e rubrica não vão neste arquivo. Quem corrige é o servidor, e a explicação completa é o que a segunda tentativa paga._ ::: ## 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. > Estas três não são corrigidas, e a omissão é deliberada: a terceira, em especial, pede um problema que só você conhece — e rubricar um domínio que o corretor não viu seria fingir correção.