Ângulo de Anderson
Prever a violência com antecedência através da IA

Pontos-chavePrever a violência antes que ela aconteça corre o risco de ecoar os temores distópicos…
Ver mais
- Prever a violência antes que ela aconteça corre o risco de ecoar os temores distópicos de Minority Report.
- Combinar a aparência facial com sinais de áudio e movimento supera qualquer sinal isolado.
- Https://www.youtube.com/watch?v tDSXPQcpybU Um teste (não real) para um sistema de detecção de violência do IVS.
A abordagem típica de uma investigação do género «Pode a IA automatizar isto?» consiste em fornecer vários exemplos de algo cujas características se pretende isolar e verificar se um modelo treinado com esses dados consegue identificar essa característica em dados semelhantes que não foram usados no treino:

Esquema de um projeto de IA como tentativa de último recurso: os exemplos rotulados são divididos em conjuntos de treino e teste. O modelo aprende com o primeiro e depois enfrenta exemplos inéditos do segundo. Se tiver realmente aprendido a característica pretendida, em vez de memorizar os dados de treino, deverá reconhecer o mesmo padrão no conjunto de teste. Fonte
É uma espécie de tentativa desesperada, pois estas experiências pressupõem que a característica acabará por sobressair se a IA continuar a examinar os dados, e que existe realmente alguma «tendência subjacente» a revelar. Se a característica fosse fácil de reconhecer, não precisaríamos do modelo de IA, ou utilizá-lo-íamos apenas para automatizar tarefas rotineiras.
Geralmente não é esse o caso; a maioria destas iniciativas são explorações sem alvo definido à procura de padrões latentes que apenas uma repetição sobre-humana da observação permitiria aprender a reconhecer.
Muitas vezes, o padrão revela-se esquivo e pode até não existir, porque certos acontecimentos e características podem depender inteiramente do acaso; ou os dados são inadequados, mal preparados ou mal aproveitados no treino.
Olhar para o futuro
Por vezes, o objetivo é tão desejável — curar o cancro, obter fusão nuclear, ultrapassar as leis da termodinâmica, etc. — e tão «politicamente atraente» que a literatura regressa insistentemente ao tema, para verificar se melhores dados ou técnicas conseguem revelar um padrão característico.
Um desses campos é a compreensão automática de vídeo, aplicada a espaços públicos e contextos policiais. Por exemplo, este ano um novo estudo utilizou vídeos reais de tentativas de suicídio para identificar tendências de «permanência» anteriores a uma tentativa e criar um sistema preditivo capaz de reconhecer a forma característica como uma pessoa se desloca numa plataforma ferroviária pública antes de saltar:

Do artigo de 2026 «Avaliação do risco de suicídio através de videovigilância com IA: um quadro interpretável para a prevenção em estações de metro», previsões a partir de dois fotogramas: um mostra uma tentativa real de suicídio na via férrea e o outro uma situação sem incidente. Os mapas de calor junto a cada fotograma indicam zonas de maior e menor risco na plataforma, com base na «tendência para permanecer» junto à entrada do túnel e nos padrões observados em tentativas anteriores. Fonte
Neste caso, os «padrões de permanência» — nas extremidades esquerda e direita da imagem acima — típicos de alguém que pondera saltar para a frente de um comboio pareciam ter uma assinatura distinta, utilizável como alerta por reconhecimento de padrões em sistemas de vigilância automática.
Outra linha popular é a deteção ou reconhecimento de violência. Sistemas de vigilância sem operador poderiam reconhecer atos violentos para os levar rapidamente à atenção humana e até desencadear operações auxiliares, como assinalar as imagens para conservação a longo prazo e garantir que a gravação está efetivamente a decorrer, entre outras medidas.
Um teste simulado de um sistema de deteção de violência da IVS. Fonte
Segundo uma nova investigação da University of Alabama, a literatura tem-se concentrado em reconhecer a violência quando esta já está a acontecer. Neste trabalho, os investigadores treinaram um modelo apenas com vídeos anteriores a um acontecimento violento — ou sem acontecimento, para equilibrar as estatísticas — para procurar características «pré-violentas» recorrentes e aprendíveis. Neste caso, trata-se da combinação de movimento corporal, aparência facial e áudio, que poderia fornecer um sinal preditivo de violência, em vez de apenas reagir depois de esta ocorrer.

Exemplos de sequências «de risco» anteriores ao incidente do estudo «Podemos antecipar a violência? Aprendizagem multimodal a partir de indícios comportamentais anteriores ao incidente», apresentados em quatro fotogramas sucessivos. O sistema acompanha articulações e movimentos ao longo do tempo, procurando alterações na postura, velocidade e interação que possam distinguir situações em escalada antes de a própria violência ser visível. Fonte
É claro que este trabalho poderá suscitar preocupação se for desenvolvido ou aplicado. Como já referi, ficções como a série Person of Interest e o filme de ação e ficção científica de 2002 Minority Report, entre muitas outras, refletem os receios populares sobre tecnologias preditivas nas mãos da polícia ou das autoridades reguladoras.
Por agora, prever atos violentos a partir de sinais corporais, faciais e sonoros — em vez de fatores como o contexto, hora do dia, localização ou estatísticas criminais históricas — continua a ser uma questão em aberto, pois, segundo os autores, esta linha de investigação é muito recente.
Nos testes, os investigadores compararam sinais de aparência facial, áudio e movimento corporal separadamente e em conjunto, usando três arquiteturas visuais de base. Os melhores resultados surgiram ao combinar os três sinais, sugerindo que o efeito preditivo não dependia de um único tipo de indício:
«A melhor configuração, Deit-Tiny com áudio, aparência facial e movimento, alcança 91,21% de exatidão, 88,96% de exatidão equilibrada, 93,65% de pontuação F1 e 96,38% de ROC-AUC no conjunto de teste reservado.
«Estes resultados sugerem que indícios complementares de aparência, acústica e cinemática fornecem evidências úteis para reconhecer risco elevado antes de um incidente.»
Abordagem
O conjunto de dados preparado para o estudo deriva da coleção XD-Violence e processa conjuntamente três modalidades: aparência facial, áudio e movimento estimado pela pose:

Fluxo de processamento do estudo. Cada vídeo recebe um rótulo de risco, reduzido a «sem risco» ou «de risco», e os dados são divididos entre treino, validação e teste. Até quatro segundos de vídeo são analisados em três ramos: aparência facial ao longo dos fotogramas, áudio convertido num espectrograma e movimento corporal derivado de pontos-chave acompanhados, como velocidade e aceleração. As características faciais, sonoras e de movimento são combinadas numa representação, transmitida a um classificador final que atribui ao vídeo uma probabilidade de ser sem risco ou de risco.
O conjunto resultante continha 443 vídeos anteriores ao incidente; voltaremos a este número no final do artigo.
Segundo o artigo, os vídeos de XD-Violence foram escolhidos por serem adequados à análise centrada nas pessoas que o projeto pretendia implementar. Muitas abordagens anteriores semelhantes tinham, pelo contrário, privilegiado a totalidade da cena como contexto preditivo.
Os vídeos não excediam quatro segundos e eram amostrados a 8 fotogramas por segundo. Um Transformer de uma camada, com oito cabeças de atenção, agregava os 32 fotogramas resultantes, enquanto representações posicionais aprendidas preservavam a sua ordem. A arquitetura de base permanecia congelada durante o treino multimodal para evitar o sobreajuste.
Exemplos de mapas de ativação, incluindo imagens faciais, aparecem anteriormente para ativações «de risco» e abaixo para amostras sem risco:

Exemplos sem risco do ramo de análise facial do estudo, complementando os exemplos anteriores de movimento de risco. O recorte facial original aparece à esquerda, seguido de mapas de ativação de camadas progressivamente mais profundas do modelo visual DeiT-Tiny. Zonas mais quentes indicam respostas de características mais fortes, mostrando como a atenção muda e se torna mais abstrata à medida que a imagem atravessa a rede.
O áudio dos vídeos foi reamostrado a 16 kHz, normalizado e alinhado com a janela visual correspondente antes de ser convertido em espectrogramas de magnitude logarítmica padronizados, usando uma transformada de Fourier de curto tempo com 512 pontos e uma janela de Hann de 400 amostras:

Comparação dos padrões sonoros médios de vídeos normais e de risco anteriores ao incidente. A fila superior mostra vídeos normais e a inferior vídeos de risco, passando da forma de onda e espectrograma originais às características aprendidas em três profundidades sucessivas da rede. Os vídeos de risco apresentam maior variação temporal, incluindo atividade acústica acrescida perto do fim da janela de quatro segundos, enquanto a rede converte progressivamente essas diferenças em características de nível superior.
Para a componente de movimento, os movimentos corporais foram reduzidos a descritores numéricos derivados de pontos-chave COCO-17 detetados por um estimador de pose YOLO.
Calcularam-se doze medidas, incluindo velocidade média e máxima, aceleração e variação da aceleração, variação da velocidade, velocidades dos pulsos e tornozelos e energia global do movimento. Os valores foram normalizados pelas dimensões corporais para que pessoas maiores não fossem automaticamente registadas como movendo-se mais. Também se combinaram medições de várias pessoas no mesmo vídeo.
Após padronização em relação aos dados de treino, as características de movimento foram expandidas para uma representação de 64 dimensões e processadas por um Transformer temporal, permitindo considerar as mudanças ao longo do vídeo como sequência, em vez de fotogramas isolados.
Os três fluxos foram fundidos numa representação, dando maior peso à aparência facial, seguida do áudio e do movimento. Após normalização e desativação aleatória de unidades, um classificador final converteu a representação em probabilidades de «normal» e «de risco», usando 0,5 como limiar.
Para a aparência facial, usaram-se três arquiteturas de base pré-treinadas em ImageNet: Swin-Tiny, ViT-Tiny e DeiT-Tiny.
Testes
Os vídeos receberam manualmente um de quatro rótulos, segundo comportamento visível, movimento e áudio: Sem risco, Risco baixo, Risco médio ou Risco elevado. Na tarefa binária final, as três categorias de risco foram agrupadas como «de risco», enquanto Sem risco passou a «normal». Para reduzir fugas de informação entre treino e avaliação, os vídeos extraídos da mesma gravação original ficaram na mesma partição dos dados.
O incidente violento propriamente dito foi removido de todos os vídeos de risco, deixando apenas o comportamento anterior para o modelo avaliar:

Resultados de teste que mostram como o desempenho varia ao utilizar aparência facial, áudio e movimento separadamente ou combinados nas três arquiteturas visuais de base. A análise de ablação isola o contributo de cada fluxo. Pontuações mais altas significam melhor desempenho; os valores a negrito assinalam o melhor resultado de cada métrica.
Como referido, o melhor resultado global veio de DeiT-Tiny com as três modalidades. As ablações esclarecem o contributo de cada fluxo: a aparência facial já era um preditor forte por si só, o movimento tinha desempenho moderado e o áudio isolado era consideravelmente mais fraco.
Os melhores resultados combinaram informação facial, sonora e de movimento, indicando que mesmo os fluxos mais fracos acrescentavam informação complementar útil ao sinal visual.
Embora treinado apenas para distinguir «normal» de «de risco», o modelo também teve as suas saídas comparadas com os quatro rótulos originais: Sem risco, Risco baixo, Risco médio e Risco elevado. Como se vê abaixo, o risco previsto sobe globalmente com estas categorias nos conjuntos de treino, validação e teste:

Pontuações de risco previstas nas quatro categorias originais. Apesar de o modelo só ter sido treinado para separar vídeos normais e de risco, as pontuações geralmente sobem de Sem risco a Risco elevado nos conjuntos de treino, validação e teste. A linha tracejada assinala o limiar de decisão de 0,50.
Os autores comentam:
«Este resultado é importante porque o modelo nunca é explicitamente treinado para separar risco baixo, médio e elevado. Mesmo assim, as suas previsões seguem a progressão dos níveis de risco originais.
«Isto sugere que o modelo capta mudanças significativas no comportamento anterior ao incidente, em vez de aprender apenas uma fronteira simples entre normal e de risco. O resultado também mostra que indícios comportamentais úteis podem surgir antes do início do incidente anotado.»
E concluem:
«Estas conclusões sugerem que pode existir informação discriminativa útil no período anterior a um incidente, salientando o potencial de levar a análise da violência para além da deteção durante o acontecimento, rumo ao reconhecimento mais precoce do risco.»
Conclusão
Terão os investigadores encontrado realmente uma combinação de traços anteriores à violência? Com apenas 443 vídeos nas experiências, o sobreajuste é um risco considerável, ao qual modelos multimodais e arquiteturas visuais pré-treinadas são particularmente vulneráveis. O estudo atenua-o parcialmente ao congelar a arquitetura visual, separar as gravações originais entre treino, validação e teste e testar várias combinações de modalidades.
Um bom desempenho num pequeno conjunto de dados não prova que o padrão subjacente seja óbvio, nem sequer que exista. Pode também refletir indícios específicos dos dados, enviesamento das anotações, fugas de informação entre fontes não evitadas pela divisão ou um conjunto de teste invulgarmente fácil.
Ainda assim, o resultado é intrigante precisamente porque o conjunto é tão pequeno e o sobreajuste parece ter sido suficientemente prevenido. As conclusões precisariam, porém, de ser reproduzidas num conjunto maior antes de o padrão aprendido poder ser considerado «robusto».
Publicado originalmente na quinta-feira, 1 de outubro de 2026












