CNN — sigla de Convolutional Neural Network, rede neural convolucional — é a arquitetura que domina o processamento de imagens. Em vez de olhar cada pixel isoladamente, ela aplica filtros que detectam padrões locais — bordas, texturas, formas — e os combina em representações cada vez mais abstratas. O momento que estabeleceu a arquitetura tem data e placar: na competição ImageNet de 2012, a rede convolucional inscrita registrou 15,3% de erro, contra 26,2% do segundo colocado — quase 11 pontos percentuais de diferença. O contraste técnico explica a virada: os concorrentes usavam atributos desenhados manualmente por especialistas, enquanto a CNN aprendia os atributos a partir dos dados. Foi o resultado que deu início à década de aprendizado profundo — e, ao contrário do que se diz, a arquitetura não saiu de cena.
⚠️ “CNN está obsoleta, agora é tudo Transformer”
A afirmação circula desde que os Transformers chegaram à visão computacional, e um trabalho de 2022 a complica de forma interessante.
Os autores reconhecem que os Transformers de visão rapidamente superaram as redes convolucionais como estado da arte — mas argumentam que o crédito dado à “superioridade intrínseca dos Transformers” é enganoso. O que os Transformers hierárquicos de melhor desempenho fizeram, na leitura deles, foi reintroduzir vieses indutivos de rede convolucional. Para demonstrar, “modernizaram” uma rede convolucional padrão e mostraram o quanto ela alcança.
Ou seja: parte do sucesso atribuído à arquitetura nova vem de propriedades da arquitetura antiga, reincorporadas. Convolução não foi abandonada — foi absorvida.
O que isso muda na prática
Para quem opera marketing, CNNs aparecem sem serem anunciadas — em busca visual de catálogo, detecção de conteúdo impróprio, corte automático de imagem, reconhecimento de logo em monitoramento de marca e classificação de acervo.
- Para tarefa visual fechada, o modelo especializado costuma bastar. Classificar produto em categorias conhecidas não exige modelo multimodal de fronteira — uma rede convolucional treinada na tarefa é mais barata e mais rápida.
- Reserve o modelo grande para o que exige interpretação. “Esta peça está de acordo com o manual da marca?” é pergunta para IA multimodal; “esta imagem contém um sofá?” não é.
- Cuidado com a promessa de análise visual. Aceitar imagem não é interpretá-la — o teste que separa demonstração de produção está no verbete de multimodal.
Os fundamentos estão em redes neurais artificiais na prática, e a arquitetura que dominou o texto em Transformer.
Fontes
- Resultados oficiais do ImageNet 2012 — o placar da competição
- A ConvNet for the 2020s — a modernização das redes convolucionais
Leitura das fontes em 17/08/2026.