Que tipos de convoluções conhece (padrão, depthwise, separável, dilatada, transposta, agrupada)? Ideias, vantagens e desvantagens de cada uma.

Nos redes neuronais convolucionais (CNN) existem vários tipos de convoluções, cada uma com suas características, vantagens e desvantagens:

1. Convolução padrão (Standard Convolution)

   • Aplica um conjunto de filtros a todos os canais de entrada simultaneamente.
   • Vantagens: simples e versátil, bem estudada.
   • Desvantagens: alta complexidade computacional e quantidade de parâmetros.

2. Convolução depthwise (profunda)

   • Cada filtro é aplicado a um canal de entrada separadamente.
   • Vantagens: reduz significativamente a quantidade de parâmetros e cálculos.
   • Desvantagens: não combina informação entre canais, por isso muitas vezes é usada junto com convolução pointwise.

3. Convolução separável (Separable Convolution)

   • Consiste numa convolução depthwise seguida de uma convolução pointwise (1x1).
   • Vantagens: eficiente em termos de parâmetros e cálculos, mantém a qualidade.
   • Desvantagens: pode ser menos expressiva que a convolução padrão.

4. Convolução dilatada (Dilated Convolution)

   • Usa filtros com espaços (dilation), ampliando o campo de perceção sem aumentar os parâmetros.
   • Vantagens: permite captar contexto em grande escala.
   • Desvantagens: pode levar a perceções "aos buracos" e artefactos.

5. Convolução transposta (Transposed Convolution ou deconvolution)

   • É usada para aumentar a resolução espacial (upsampling).
   • Vantagens: permite treinar parâmetros para aumentar o tamanho.
   • Desvantagens: pode causar artefactos (por exemplo, padrão de tabuleiro de xadrez).

6. Convolução agrupada (Grouped Convolution)

   • Os canais de entrada são divididos em grupos, e a convolução é aplicada separadamente a cada grupo.
   • Vantagens: reduz o número de parâmetros e cálculos, permite construir redes mais profundas (por exemplo, ResNeXt).
   • Desvantagens: limita a interação entre grupos de canais.

Cada tipo de convolução é escolhido consoante a tarefa, os requisitos de desempenho e precisão. Por exemplo, as convoluções separáveis e depthwise são amplamente usadas em sistemas móveis e embutidos para otimizar recursos.