Como funciona uma camada convolucional?

A camada convolucional é um elemento-chave das redes neuronais convolucionais (CNN), que é utilizada para processar imagens e outros dados com estrutura espacial.

Funciona assim:

• Um tensor multicanal (por exemplo, uma imagem com canais RGB) é fornecido como entrada.
• A camada convolucional contém um conjunto de filtros (núcleos de convolução), que são pequenas matrizes com pesos treináveis.
• Cada filtro desliza sequencialmente pelos dados de entrada (operação de convolução), calculando o produto escalar entre o filtro e a seção correspondente da entrada.
• O resultado é um mapa de características que mostra o quão ativado está esse filtro em diferentes áreas da entrada.
• Normalmente, após a convolução, aplica-se uma função de ativação (como ReLU) e às vezes um pooling para reduzir a dimensionalidade.

Exemplo: se um filtro detecta bordas horizontais, na saída aparecerão valores altos onde na imagem há linhas horizontais.

Dessa forma, a camada convolucional extrai automaticamente características locais, permitindo treinar modelos de forma eficiente para tarefas de reconhecimento de padrões.