Convolutional Neural Network (CNN)
Uma Convolutional Neural Network (CNN) é uma arquitetura de aprendizado profundo que aplica filtros com compartilhamento de pesos aprendidos sobre patches locais de dados de entrada — mais comumente imagens — para detectar features espaciais hierárquicas como bordas, texturas e objetos.
Uma CNN empilha três tipos principais de camadas: camadas convolucionais que deslizam pequenos filtros sobre a entrada para produzir feature maps, funções de ativação não-lineares (tipicamente ReLU) aplicadas elemento a elemento, e camadas de pooling que reduzem a resolução espacial dos feature maps e fornecem invariância translacional. Em uma CNN profunda, camadas iniciais detectam features de baixo nível como bordas e cantos, enquanto camadas mais profundas combinam estas em conceitos semânticos de alto nível como faces ou veículos.
A propriedade de compartilhamento de pesos das convoluções é o insight-chave de eficiência: o mesmo filtro é aplicado em cada localização espacial, reduzindo drasticamente o número de parâmetros comparado a camadas totalmente conectadas na mesma entrada. Um filtro convolucional 3×3 em uma imagem RGB tem apenas 27 pesos independentemente do tamanho da imagem, enquanto um neurônio totalmente conectado sobre uma imagem 224×224 exigiria mais de 150.000 conexões. Este viés indutivo em direção a padrões espaciais locais também torna CNNs amostra-eficientes em dados estruturados como imagens.
CNNs produziram resultados marcantes que impulsionaram a era do aprendizado profundo moderno. AlexNet (Krizhevsky et al., 2012) superou dramaticamente métodos tradicionais de visão computacional em ImageNet, desencadeando ampla adoção de redes profundas. Arquiteturas subsequentes — VGG (2014), ResNet (2015, introduzindo skip connections para treinar redes de 100 camadas), EfficientNet (2019) e ConvNeXt (2022) — avançaram ainda mais a precisão. CNNs são também a base de detecção de objetos (série YOLO, Faster R-CNN), segmentação de imagens (U-Net para imagem médica) e sistemas de análise de vídeo.
A partir de 2026, CNNs coexistem com Vision Transformers (ViT) e arquiteturas híbridas. Modelos puramente baseados em atenção lideram em vários benchmarks, mas CNNs permanecem preferenciais para inferência móvel em tempo real, imagem médica, imagem de satélite e inspeção industrial devido à sua eficiência computacional. ConvNeXt V2 e FastViT exemplificam refinamento contínuo de designs convolucionais, e backbones de CNN permanecem incorporados em sistemas de produção em Google, Meta e NVIDIA.