Redes neurais convolucionais (CNNs) foram desenvolvidas com foco em tarefas de visão computacional. Principal inovação das CNNs está na camada convolucional responsável por aplicar operação de convolução sobre entrada, operação de natureza linear que combina duas funções gerando terceira, permitindo extração de padrões locais relevantes. Em aplicações com imagens, rede aplica filtros (kernels) sobre imagem para extrair características locais como bordas, texturas e padrões, sendo cada filtro com próprios pesos aprendidos automaticamente durante treinamento por backpropagation. Essas redes são compostas por várias camadas: convolucionais, de ativação (geralmente ReLU), de subamostragem (Pooling) e de normalização. Em aplicações de classificação, possui também camada Flatten que transforma dados em vetor preparando-os para etapa final de classificação por rede feedforward. Aspecto importante é que CNNs conseguem aprender automaticamente filtros mais relevantes reduzindo necessidade de pré-processamento manual dos dados. Diferente das redes totalmente conectadas, nas CNNs apenas subconjunto de entradas é conectado a cada neurônio. Entretanto, essa arquitetura é computacionalmente exigente e sensível à escolha de hiperparâmetros como tamanho do filtro, stride, padding e número de filtros, além de requerer grande quantidade de dados para atingir alta acurácia. I. CNNs aplicam filtros sobre imagem para extrair características locais como bordas e texturas com pesos aprendidos automaticamente. II. CNNs conectam todos neurônios de uma camada com todos neurônios da camada subsequente similar às redes densas feedforward. III. Camada Flatten transforma dados multidimensionais em vetor preparando-os para classificação final por rede feedforward em CNNs. IV. CNNs são computacionalmente exigentes, sensíveis a hiperparâmetros e requerem grande quantidade de dados para alta acurácia. Avalie quais afirmativas descrevem corretamente características e funcionamento das redes neurais convolucionais (CNNs). Selecione uma altern