Empilhando Blocos Convolucionais
Arquitetura Multi-bloco
🖼️ Entrada
H × W × C
↓
Bloco 1
⚙️ Conv
3×3 + bias
→
⚡ ReLU
→
🏊 MaxPool
2×2
padrões simples: arestas, diagonais…
↓
Bloco 2
⚙️ Conv
3×3 + bias
→
⚡ ReLU
→
🏊 MaxPool
2×2
combinações complexas: partes, formas…
↓
📐 Flatten
→ vetor 1D
→
🧠 Dense
+ ReLU
→
🎯 Saída
Softmax
💡
O padrão Conv → ReLU → MaxPool pode ser repetido quantas vezes for necessário, com novos filtros em cada bloco.
Hierarquia de Features
Bloco 1 — Padrões Primitivos
Detecta arestas, linhas e diagonais. Os filtros respondem a variações locais de intensidade na imagem.
Bloco 2 — Estruturas Complexas
Combina padrões primitivos em formas geométricas e partes de objetos, usando os feature maps do bloco anterior como entrada.
Flatten — Representação Compacta
Transforma os feature maps 2D em um vetor 1D — a "descrição" aprendida pela rede, pronta para classificação.
Parte Densa — Classificação
Camadas fully-connected combinam as features para produzir a pontuação de cada classe.
Fluxo básico da CNN:
entrada → Conv+ReLU+Pool → … → Flatten → Dense → saída.
Novos filtros aprendem novos padrões em cada bloco.
entrada → Conv+ReLU+Pool → … → Flatten → Dense → saída.
Novos filtros aprendem novos padrões em cada bloco.