Questão de Tecnologia da Informação · FGV TRF1 2024 (nº 55)

A camada convolucional de uma rede neural aplica um filtro (uma pequena matriz de pesos) sobre a imagem de entrada, deslizando-o para extrair características. O tamanho da imagem de saída é determinado pelo tamanho da entrada, do filtro, do passo (stride) e do preenchimento (padding).

A fórmula para calcular a dimensão de saída (altura ou largura) é:
$O = \lfloor \frac{I - F + 2P}{S} \rfloor + 1$
Onde:
$I$ = Dimensão da imagem de entrada (50 pixels)
$F$ = Dimensão do filtro (5 pixels)
$P$ = Padding (0)
$S$ = Stride (3)

Substituindo os valores:
$O = \lfloor \frac{50 - 5 + 2 \times 0}{3} \rfloor + 1$
$O = \lfloor \frac{45}{3} \rfloor + 1$
$O = \lfloor 15 \rfloor + 1$
$O = 15 + 1$
$O = 16$

Portanto, a imagem de saída terá 16 pixels de altura por 16 pixels de largura.

(A) Incorreta: Esta seria a resposta se o "+1" da fórmula fosse esquecido, resultando apenas na divisão $(I-F+2P)/S$. Essa é a armadilha mais comum, pois $45/3$resulta em 15. **(B) Correta:** O cálculo usando a fórmula padrão para a dimensão de saída de uma convolução ($O = \lfloor \frac{I - F + 2P}{S} \rfloor + 1$) com os valores fornecidos ($I=50, F=5, P=0, S=3$) resulta em 16.
(C) Incorreta: Um erro de cálculo ou arredondamento levaria a este valor.
(D) Incorreta: Este valor seria obtido com um stride muito menor ou sem a aplicação correta da fórmula.
(E) Incorreta: Um erro de cálculo ou arredondamento levaria a este valor.