Camadas de Redes Neurais Convolucionais (CNN)
Gabarito: letra C. A camada de pooling (ou subamostragem) tem como função primária reduzir progressivamente o tamanho espacial do volume de dados, por meio do mapeamento de regiões de features e da diminuição dos pesos de treinamento, conforme descrito no enunciado. As demais camadas — convolução, ativação e normalização — desempenham papéis distintos.
A banca cobra o conhecimento das camadas típicas de uma CNN. A arquitetura básica inclui camadas convolucionais (extraem características usando filtros), funções de ativação (introduzem não linearidade), camadas de pooling (reduzem a dimensionalidade espacial) e, eventualmente, camadas de normalização (estabilizam o treinamento). O enunciado descreve exatamente a função da camada de pooling.
block-beta
columns 3
block:input["Entrada (Volume de Dados)"]:1
end
block:conv["Camada de Convolução"]:1
end
block:activation["Camada de Ativação"]:1
end
block:pooling["Camada de Pooling"]:1
end
block:normalization["Camada de Normalização"]:1
end
block:output["Saída (Features Reduzidas)"]:1
end
input --> conv
conv --> activation
activation --> pooling
pooling --> normalization
normalization --> output
Alternativa A — ❌ Incorreta
A camada de convolução aplica filtros (kernels) à entrada para extrair características locais como bordas e texturas. Embora também envolva mapeamento de features, sua finalidade não é reduzir o tamanho espacial, mas sim detectar padrões. A redução progressiva é feita posteriormente pelo pooling.
Alternativa B — ❌ Incorreta
A camada de ativação (ex.: ReLU, sigmoide) aplica uma função matemática à saída da convolução para introduzir não linearidade no modelo. Não tem relação direta com redução de dimensionalidade ou diminuição de pesos.
Alternativa C — ✅ Correta ⟵ GABARITO
A camada de pooling (ou subamostragem) reduz progressivamente o tamanho espacial do volume de dados. Ela opera sobre pequenas regiões (janelas) da entrada, aplicando uma operação como max pooling (seleciona o valor máximo) ou average pooling (média). Isso diminui a quantidade de parâmetros e pesos, tornando o modelo mais eficiente e menos propenso a overfitting, além de preservar as características mais relevantes.
Alternativa D — ❌ Incorreta
A camada de normalização (ex.: batch normalization) ajusta e escala as ativações para estabilizar e acelerar o treinamento, mas não reduz o tamanho espacial dos dados.
Gabarito: letra C.