O que é Visão Computacional?

O que é Visão Computacional?

Algoritmos de visão computacional são um dos sistemas de IA mais transformadores e poderosos do mundo, no momento. Sistemas de visão computacional são usados em veículos autônomos, navegação de robôs, sistemas de reconhecimento facial e muito mais. No entanto, o que são exatamente os algoritmos de visão computacional? Como eles funcionam? Para responder a essas perguntas, vamos mergulhar fundo na teoria por trás da visão computacional, algoritmos de visão computacional e aplicações para sistemas de visão computacional.

Como Funcionam os Sistemas de Visão Computacional?

Para apreciar plenamente como os sistemas de visão computacional funcionam, vamos primeiro discutir como os humanos reconhecem objetos. A melhor explicação que a neuropsicologia tem para como reconhecemos objetos é um modelo que descreve a fase inicial do reconhecimento de objetos como uma em que os componentes básicos dos objetos, como forma, cor e profundidade, são interpretados pelo cérebro primeiro. Os sinais do olho que entram no cérebro são analisados para extrair as bordas de um objeto primeiro, e essas bordas são unidas em uma representação mais complexa que completa a forma do objeto.

Sistemas de visão computacional operam de forma muito semelhante ao sistema visual humano, discernindo primeiro as bordas de um objeto e, em seguida, unindo essas bordas em uma forma. A grande diferença é que, porque os computadores interpretam imagens como números, um sistema de visão computacional precisa de alguma forma de interpretar os pixels individuais que compõem a imagem. O sistema de visão computacional atribuirá valores aos pixels na imagem e, examinando a diferença nos valores entre uma região de pixels e outra região de pixels, o computador pode discernir bordas. Por exemplo, se a imagem em questão for em preto e branco, os valores variarão de preto (representado por 0) a branco (representado por 255). Uma mudança súbita na faixa de valores de pixels próximos indicará uma borda.

Esse princípio básico de comparar valores de pixels também pode ser feito com imagens coloridas, com o computador comparando as diferenças entre os diferentes canais de cor RGB. Agora que sabemos como um sistema de visão computacional examina os valores dos pixels para interpretar uma imagem, vamos dar uma olhada na arquitetura de um sistema de visão computacional.

Redes Neurais Convolucionais (CNNs)

O tipo principal de IA usado em tarefas de visão computacional é um baseado em redes neurais convolucionais. O que é exatamente uma convolução?

Convoluções são processos matemáticos que a rede usa para determinar a diferença nos valores entre pixels. Se você imaginar uma grade de valores de pixels, imagine uma grade menor sendo movida sobre essa grade principal. Os valores sob a segunda grade são analisados pela rede, então a rede está analisando apenas um punhado de pixels de cada vez. Isso é frequentemente chamado de técnica de “janelas deslizantes”. Os valores sendo analisados pela janela deslizante são resumidos pela rede, o que ajuda a reduzir a complexidade da imagem e torna mais fácil para a rede extrair padrões.

Redes neurais convolucionais são divididas em duas seções diferentes, a seção convolucional e a seção totalmente conectada. As camadas convolucionais da rede são os extratores de recursos, cujo trabalho é analisar os pixels dentro da imagem e formar representações deles que as camadas densamente conectadas da rede neural possam aprender padrões. As camadas convolucionais começam examinando os pixels e extrair os recursos de baixo nível da imagem, como bordas. Camadas convolucionais posteriores unem as bordas em formas mais complexas. No final, a rede terá, com sorte, uma representação das bordas e detalhes da imagem que pode passar para as camadas totalmente conectadas.

Anotação de Imagem

Embora uma rede neural convolucional possa extrair padrões de imagens por si só, a precisão do sistema de visão computacional pode ser grandemente melhorada anotando as imagens. Anotação de imagem é o processo de adicionar metadados à imagem que assiste o classificador a detectar objetos importantes na imagem. O uso da anotação de imagem é importante sempre que os sistemas de visão computacional precisam ser altamente precisos, como quando controlam um veículo autônomo ou robô.

Existem várias maneiras pelas quais as imagens podem ser anotadas para melhorar o desempenho de um classificador de visão computacional. A anotação de imagem é frequentemente feita com caixas delimitadoras, uma caixa que rodeia as bordas do objeto-alvo e diz ao computador para focar sua atenção dentro da caixa. A segmentação semântica é outro tipo de anotação de imagem, que opera atribuindo uma classe de imagem a cada pixel da imagem. Em outras palavras, cada pixel que possa ser considerado “grama” ou “árvores” será rotulado como pertencente a essas classes. A técnica fornece precisão de nível de pixel, mas criar anotações de segmentação semântica é mais complexo e demorado do que criar caixas delimitadoras simples. Outros métodos de anotação, como linhas e pontos, também existem.