Questão de Meio Ambiente - Geoprocessamento e Meio Físico · FGV EPE 2024 (nº 61)

As Redes Neurais Convolucionais (CNNs) são um tipo de rede neural que se destaca em tarefas de visão computacional, como reconhecimento de imagem, porque elas são projetadas para "olhar" para as imagens de uma forma que imita como vemos, identificando padrões e características visuais.

• (A) Incorreta: Funções de ativação não-lineares são essenciais para que qualquer rede neural profunda aprenda padrões complexos, mas não são exclusivas das CNNs nem o que as diferencia especificamente para visão computacional.
• (B) Correta: As camadas convolucionais são o coração das CNNs. Elas usam "filtros" (pequenas matrizes) que deslizam sobre a imagem, detectando e aprendendo padrões locais como bordas, texturas e formas, independentemente de onde apareçam na imagem. Essa capacidade de capturar características espaciais e hierárquicas (do simples ao complexo) é o que as torna excepcionalmente eficazes para tarefas de visão computacional.
• (C) Incorreta: A previsão de séries temporais é mais comumente associada a outros tipos de redes neurais, como as Redes Neurais Recorrentes (RNNs) ou Transformers, embora CNNs possam ser adaptadas para isso. Não é sua característica distintiva para reconhecimento de imagem.
• (D) Incorreta: Validação cruzada é uma técnica de avaliação de modelos em Machine Learning em geral, não uma característica arquitetural ou funcional específica das CNNs que as torna eficazes para visão.
• (E) Incorreta: Embora as CNNs realizem redução de dimensionalidade (principalmente através de camadas de pooling), esta é uma consequência ou um mecanismo dentro da rede, e não a característica fundamental que as diferencia e as torna especialmente eficazes para capturar informações espaciais em imagens. Muitas outras técnicas também reduzem dimensionalidade.