Limitações das CNNs
Mensagem central
CNNs aprendem filtros automaticamente — mas isso exige
muitos exemplos. E mesmo uma rede bem treinada pode ser
enganada por perturbações quase imperceptíveis na entrada.
Onde estamos na aula
✅ Filtros
Blocos 3–4
→
✅ Aprend.
Bloco 7
→
⚠️ Limites
Bloco 8
→
🔬 Demo
Próximos
💡
Neste bloco vamos desafiar a rede que construímos — entendendo onde ela falha e por quê.
Duas limitações importantes
1
🗂️ Dependência de grandes volumes de dados
Filtros não são pré-programados — precisam ser descobertos estatisticamente. Isso requer muitos exemplos variados por classe. Sem dados suficientes, a rede não generaliza bem.
2
🎭 Vulnerabilidade a ataques adversariais
Pequenas alterações estratégicas nos pixels podem fazer a rede classificar incorretamente — mesmo que a imagem continue visualmente idêntica para humanos.
Humano vê…
O objeto, a forma, o contexto. Reconhece mesmo com poucos exemplos e ignora pequenas perturbações.
CNN vê…
Padrões numéricos nos pixels. Precisa de muitos exemplos e pode ser enganada por mudanças imperceptíveis.
🔗
Ambas as limitações estão diretamente ligadas ao que aprendemos sobre filtros, feature maps e convolução.